skunkworks long stayer risk stratification
1.0.0
Пилотный проект команды Skunkworks лаборатории NHS AI (искусственного интеллекта) «Стратификация риска длительного пребывания» использует исторические данные из фонда NHS Foundation Trust больниц Глостершира, чтобы предсказать, как долго пациент будет оставаться в больнице после поступления.
В качестве успешного кандидата от программы поиска проблем AI Skunkworks программа Long Stayer Risk Stratification была впервые выбрана в качестве пилотного проекта для команды AI Skunkworks в апреле 2021 года.
Это доказательство концепции (TRL 4) призвано продемонстрировать техническую обоснованность применения сверточной нейронной сети к записям пациентов с целью прогнозирования продолжительности пребывания. Он не предназначен для использования в клинических или доклинических условиях без дальнейшей разработки и соблюдения Положений Великобритании о медицинском оборудовании 2002 года, согласно которым продукт квалифицируется как медицинское устройство.
Этот проект прошел оценку воздействия на защиту данных (DPIA), гарантирующую защиту используемых данных в соответствии с Законом Великобритании о защите данных 2018 года и GDPR Великобритании. В этом репозитории не публикуются никакие данные или обученные модели.
Пациенты, находящиеся в больнице длительное время, т.е. те, чья продолжительность пребывания (LoS) составляет 21 день или более, имеют значительно худшие медицинские и социальные результаты, чем другие пациенты. Лица, проживающие длительное время, часто проходят медицинскую оптимизацию (пригодны к выписке) за много дней до фактической выписки. Более того, существует сложная смесь медицинских, культурных и социально-экономических факторов, которые способствуют причинам ненужного длительного пребывания.
Этот репозиторий содержит демонстрационный образец концепции, разработанный в рамках исследовательского проекта - сотрудничества Polygeist, Gloucestershire Hospitals NHS Foundation Trust, NHSX и Accelerated Capability Environment (ACE) Министерства внутренних дел. Проект был направлен на достижение двух основных целей:
во-первых, чтобы определить, возможен ли экспериментальный подход с использованием искусственного интеллекта (ИИ) для прогнозирования числа пациентов, находящихся в больницах длительное время; во-вторых, если да, то необходимо разработать инструмент стратификации рисков для проверки концепции (PoC).
Инструмент отображает LTSS для записи пациента между уровнями 1 и 5; при этом 5 — это самый серьезный риск того, что пациент станет постоянным гостем. Инструмент позволяет исследовать различные факторы и позволяет пользователю редактировать эти записи для получения уточненных или гипотетических оценок риска для пациента.
Инструмент продемонстрировал хорошую стратификацию рисков для реальных данных: уровень 1 состоял из 99% краткосрочных резидентов и незначительных случаев, при этом менее 1% долгосрочных лиц были классифицированы как очень низкий риск. Более того, 66% всех долгосрочно проживающих были отнесены к категориям риска 4 и 5, причем доля этих категорий постоянно увеличивалась. Категория риска 5 также стратифицировала пациентов с длительным и серьезным пребыванием в больнице ниже порога длительного пребывания (серьезное и длительное пребывание).
Полный технический отчет (PDF) доступен членам Национальной службы здравоохранения. Отправьте запрос по адресу [email protected].
| Документы | Описание |
|---|---|
| ОТДЫХ API | Описания конечных точек API и примеры использования |
| API приложения LTSS Flask | Документация пакета для пакета Python ltss и встроенных подмодулей. |
| Инструкции по развертыванию | Создание и запуск инструкций для разработки или производственного развертывания. |
| Обзор веб-интерфейса | Описание компонентов пользовательского интерфейса и структуры приложения |
| Файлы конфигурации | Обзор предоставленных файлов конфигурации |
| Файлы конфигурации производственной сборки | Обзор файлов конфигурации, предоставляемых для контейнеров Docker производственной сборки. |
| Генерация фейковых данных | Описание того, как генерировать поддельные данные для проверки настройки и работы репо. |
| Обучение | Описание процесса обучения моделей, используемых в LTSS API |
Проект поддерживается NHS AI Lab Skunkworks, которая существует в рамках NHS AI Lab и помогает сообществу здравоохранения и ухода быстро продвигать идеи от концептуальной стадии до проверки концепции.
Узнайте больше о лаборатории искусственного интеллекта NHS Skunkworks. Присоединяйтесь к нашему виртуальному хабу, чтобы узнать больше о будущих возможностях проведения мероприятий по поиску проблем. Свяжитесь с командой Skunkworks по адресу [email protected].
