ISTHMUS：面向医疗健康的 secure、可扩展、实时且鲁棒的机器学习平台
机器学习
2019-10-02 v2 机器学习
摘要
近年来，基于机器学习（ML）和人工智能（AI）的系统已在金融、零售、保险、能源公用事业等不同行业得到演进和规模化应用。除其他外，它们被用于预测客户行为模式、生成定价模型以及预测投资回报。但在这些行业中规模化部署机器学习模型的成功并未转化到医疗健康场景中。将ML模型整合到医疗健康中未广泛成功的原因有多种，但从技术角度看，通用商业机器学习平台并不适合医疗健康，原因在于处理数据质量问题的复杂性、需证明临床相关性的要求，以及缺乏在具有严格安全和隐私需求的高度监管环境中监控性能的能力。在本文中，我们描述了Isthmus，一个交钥匙式、基于云的平台，其解决了上述挑战并缩短了在医疗健康中运营化ML/AI的上市时间。最后，我们描述了三个案例研究以阐明Isthmus的能力。这些包括（1）支持预测医院创伤中心创伤存活率的模型的端到端生命周期，（2）引入并协调来自不同来源的数据以创建社区数据平台，用于推断健康社会决定因素（SDoH）的人群及患者层面洞察，以及（3）从各种IoT传感器摄取实时流数据以构建模型，从而利用实时和纵向信息做出先进的时间敏感预测。
引用
@article{arxiv.1909.13343,
title = {ISTHMUS: Secure, Scalable, Real-time and Robust Machine Learning Platform for Healthcare},
author = {Akshay Arora and Arun Nethi and Priyanka Kharat and Vency Verghese and Grant Jenkins and Steve Miff and Vikas Chowdhry and Xiao Wang},
journal= {arXiv preprint arXiv:1909.13343},
year = {2019}
}
备注
11 pages, 7 figures. Comments are welcome