amerikali
Yeni Üye
Yıllardır acil servislerdeki hasta sayısı sürekli artıyor. Bu sadece uzun bekleme sürelerine ve hastanelerin kurtarma koordinasyon merkezlerinden geçici olarak kayıtlarının silinmesine yol açmakla kalmıyor. Ayrıca tıbbi ihtiyaçları karşılamayan yetersiz hasta bakımı riskini de artırır.
Reklamcılık
Schleswig-Holstein Üniversite Hastanesi artık DFKI ve singularIT şirketi ile birlikte hastanenin acil servisine yönelik yapay zeka desteğini geliştirmek ve test etmek istiyor. “Acil serviste süreç optimizasyonu için yardım sistemi” (APONA), hasta kabul edildiğinde mevcut verilerden tedavi için gerekli kaynaklara ilişkin bir tahmin sağlamayı amaçlamaktadır. Bu sayede örneğin görüntüleme işlemleri için koğuşlar veya koğuştaki bir yatak zamanında rezerve edilebilir. Schleswig-Holstein eyaleti projeyi yaklaşık 560.000 avroyla finanse ediyor.
Hastanede kalış süresine ilişkin tahminler
Geliştirme, DFKI, Leipzig Üniversitesi ve singularIT’den araştırmacıların, acil servisten taburcu olduktan sonra hastanede kalış süresinin daha uzun olması için prognoz sağlayan bir model geliştirdiği çalışmalara dayanıyor. Yaklaşık iki günlük bir belirsizlikle model, daha önce bilinen diğer yöntemlerle karşılaştırılabilir sonuçlar verdi. Temel olarak, başvuru sırasında bilinen hasta verilerinin değerlendirilmesine ve bundan daha ileri prognoz için en önemli olan ilgili özelliklerin çıkarılmasına dayanmaktadır.
DFKI Sağlık Hizmetleri araştırma alanında Stokastik İlişkisel Yapay Zeka Bilimsel Direktörü ve Lübeck Üniversitesi Bilgi Sistemleri Enstitüsü Direktörü Ralf Möller, “Bunlar ön çalışmalardı” diyor. “Hâlâ APONA’da hangi teknolojiyi kullanacağımızı bulmamız gerekiyor”. Her durumda, “kullanıma hazır bir makine öğrenimi yöntemini safça kullanmamak” önemlidir. Çünkü derin sinir ağları gibi yöntemler, insanların mutlaka tanımadığı ilgili özellikleri eğitim verilerinden filtrelemede iyidir. Bununla birlikte, görüntü işlemeden alınan çok sayıda örnek, modellerin bazen filigranlar, dosyadaki yapay nesneler veya gökyüzünün rengi gibi ilgisiz ayrıntıları da asıl görevle hiçbir ilgisi olmayan önemli özellikler olarak tanımladığını gösterecektir. Elle seçilen özellikler ile otomatik olarak seçilen özelliklerin bir kombinasyonu muhtemelen en uygunudur. Möller, “Bu, mevcut verilerden maksimum faydayı elde etmekle ilgili” diyor. “Ama orada olmayan şeyi de hesaba katamazsınız.”
Prototip geliştirildikten sonra Möller ve meslektaşları, UKSH’den gelen gerçek verileri kullanarak hastanın kalış süresine ilişkin tahminleri test etmek istiyor. Eğer bu iyi sonuç verirse, tahmin “gerekli kaynakların tahminine” kadar genişletilir. Möller, sistemin yalnızca yapılandırılmış verileri değil aynı zamanda örneğin bir kazanın gidişatı hakkındaki serbest alan bilgilerini de değerlendirip değerlendiremeyeceğini ve ne zaman değerlendirebileceğini söyleyemez. “Bu nispeten küçük bir proje” diyor. “Google gibi bir şirketin burada toplayabileceği milyarlara sahip değiliz.”
Reklamcılık
Doktorlar için karar verme yardımcısı olarak yapay zeka
Aslında grup, “tıbbi soruları” yanıtlayabilen ve bu nedenle doktorlara “karar verme yardımcısı” olarak sunulan, aynı zamanda hastalardan gelen soruları da yanıtlamayı amaçlayan Palm mimarisine dayanan geniş bir dil modeli üzerinde yoğun bir şekilde çalışıyor. Temmuz ortasında, Google’dan araştırmacılar bununla ilgili ayrıntıları “Nature” dergisinde yayınladılar. Med-PaLM, 540 milyar parametreyle tıbbi sorulara uyarlanmış bir transformatör modelidir. Med-PALM-2’nin devamı olan versiyon da Nisan ayının sonundan bu yana işbirliği ortaklarının kullanımına sunuldu.
Araştırma ekibi Med-PaLM’den gelen yanıtların kalitesini “Talimat İstemi Ayarlama” adı verilen bir teknikle daha da geliştirmeyi başarmış olsa da Med-PaLM hâlâ büyük dil modellerinin tipik zayıflıklarını gösteriyor: bir yandan yanıtlar oldukça güçlü. Bağlam bağımlı olmakla birlikte bu model sanrısal gerçekler de üretiyor. Uzmanlar tarafından yapılan değerlendirmenin sonucu: Med-PaLM’in ayrıntılı cevaplarının yüzde 92,6’sı “bilimsel görüş birliğine” uyuyor. Ancak Med-PaLM’den gelen yanıtların yüzde 5,8’i “potansiyel olarak zararlı” olarak sınıflandırıldı.
Grup yoğun bir şekilde işbirliği ortakları arıyor. ABD medyasına göre ünlü Mayo Clinic’in programı halihazırda test ediyor olması, Google’ın projede başarılı olacağı anlamına gelmiyor. Bunun yerine IBM, uyarıcı bir öykü görevi görebilir. Grup, Watson sistemiyle çeşitli işbirlikleri başlatmıştı ve “kişiye özel kanser tedavileri” geliştirmek istiyordu. Proje, diğer şeylerin yanı sıra tıbbi verilerin kalitesizliği nedeniyle olağanüstü bir şekilde başarısız oldu.
(batı)
Haberin Sonu
Reklamcılık
Schleswig-Holstein Üniversite Hastanesi artık DFKI ve singularIT şirketi ile birlikte hastanenin acil servisine yönelik yapay zeka desteğini geliştirmek ve test etmek istiyor. “Acil serviste süreç optimizasyonu için yardım sistemi” (APONA), hasta kabul edildiğinde mevcut verilerden tedavi için gerekli kaynaklara ilişkin bir tahmin sağlamayı amaçlamaktadır. Bu sayede örneğin görüntüleme işlemleri için koğuşlar veya koğuştaki bir yatak zamanında rezerve edilebilir. Schleswig-Holstein eyaleti projeyi yaklaşık 560.000 avroyla finanse ediyor.
Hastanede kalış süresine ilişkin tahminler
Geliştirme, DFKI, Leipzig Üniversitesi ve singularIT’den araştırmacıların, acil servisten taburcu olduktan sonra hastanede kalış süresinin daha uzun olması için prognoz sağlayan bir model geliştirdiği çalışmalara dayanıyor. Yaklaşık iki günlük bir belirsizlikle model, daha önce bilinen diğer yöntemlerle karşılaştırılabilir sonuçlar verdi. Temel olarak, başvuru sırasında bilinen hasta verilerinin değerlendirilmesine ve bundan daha ileri prognoz için en önemli olan ilgili özelliklerin çıkarılmasına dayanmaktadır.
DFKI Sağlık Hizmetleri araştırma alanında Stokastik İlişkisel Yapay Zeka Bilimsel Direktörü ve Lübeck Üniversitesi Bilgi Sistemleri Enstitüsü Direktörü Ralf Möller, “Bunlar ön çalışmalardı” diyor. “Hâlâ APONA’da hangi teknolojiyi kullanacağımızı bulmamız gerekiyor”. Her durumda, “kullanıma hazır bir makine öğrenimi yöntemini safça kullanmamak” önemlidir. Çünkü derin sinir ağları gibi yöntemler, insanların mutlaka tanımadığı ilgili özellikleri eğitim verilerinden filtrelemede iyidir. Bununla birlikte, görüntü işlemeden alınan çok sayıda örnek, modellerin bazen filigranlar, dosyadaki yapay nesneler veya gökyüzünün rengi gibi ilgisiz ayrıntıları da asıl görevle hiçbir ilgisi olmayan önemli özellikler olarak tanımladığını gösterecektir. Elle seçilen özellikler ile otomatik olarak seçilen özelliklerin bir kombinasyonu muhtemelen en uygunudur. Möller, “Bu, mevcut verilerden maksimum faydayı elde etmekle ilgili” diyor. “Ama orada olmayan şeyi de hesaba katamazsınız.”
Prototip geliştirildikten sonra Möller ve meslektaşları, UKSH’den gelen gerçek verileri kullanarak hastanın kalış süresine ilişkin tahminleri test etmek istiyor. Eğer bu iyi sonuç verirse, tahmin “gerekli kaynakların tahminine” kadar genişletilir. Möller, sistemin yalnızca yapılandırılmış verileri değil aynı zamanda örneğin bir kazanın gidişatı hakkındaki serbest alan bilgilerini de değerlendirip değerlendiremeyeceğini ve ne zaman değerlendirebileceğini söyleyemez. “Bu nispeten küçük bir proje” diyor. “Google gibi bir şirketin burada toplayabileceği milyarlara sahip değiliz.”
Reklamcılık
Doktorlar için karar verme yardımcısı olarak yapay zeka
Aslında grup, “tıbbi soruları” yanıtlayabilen ve bu nedenle doktorlara “karar verme yardımcısı” olarak sunulan, aynı zamanda hastalardan gelen soruları da yanıtlamayı amaçlayan Palm mimarisine dayanan geniş bir dil modeli üzerinde yoğun bir şekilde çalışıyor. Temmuz ortasında, Google’dan araştırmacılar bununla ilgili ayrıntıları “Nature” dergisinde yayınladılar. Med-PaLM, 540 milyar parametreyle tıbbi sorulara uyarlanmış bir transformatör modelidir. Med-PALM-2’nin devamı olan versiyon da Nisan ayının sonundan bu yana işbirliği ortaklarının kullanımına sunuldu.
Araştırma ekibi Med-PaLM’den gelen yanıtların kalitesini “Talimat İstemi Ayarlama” adı verilen bir teknikle daha da geliştirmeyi başarmış olsa da Med-PaLM hâlâ büyük dil modellerinin tipik zayıflıklarını gösteriyor: bir yandan yanıtlar oldukça güçlü. Bağlam bağımlı olmakla birlikte bu model sanrısal gerçekler de üretiyor. Uzmanlar tarafından yapılan değerlendirmenin sonucu: Med-PaLM’in ayrıntılı cevaplarının yüzde 92,6’sı “bilimsel görüş birliğine” uyuyor. Ancak Med-PaLM’den gelen yanıtların yüzde 5,8’i “potansiyel olarak zararlı” olarak sınıflandırıldı.
Grup yoğun bir şekilde işbirliği ortakları arıyor. ABD medyasına göre ünlü Mayo Clinic’in programı halihazırda test ediyor olması, Google’ın projede başarılı olacağı anlamına gelmiyor. Bunun yerine IBM, uyarıcı bir öykü görevi görebilir. Grup, Watson sistemiyle çeşitli işbirlikleri başlatmıştı ve “kişiye özel kanser tedavileri” geliştirmek istiyordu. Proje, diğer şeylerin yanı sıra tıbbi verilerin kalitesizliği nedeniyle olağanüstü bir şekilde başarısız oldu.
(batı)
Haberin Sonu