预测分析和医疗保健的未来

英特尔为大数据平台和 AI 推进健康分析提供了坚实的技术基础。

预测性分析在医疗保健中的优势:

  • 预测模型可以帮助患者在病情发展之前预测紧急护理的需求或可能出现的严重状况,从而保持他们的健康。

  • 通过确定哪些患者可能需要重新送往医院,预测性分析可以帮助健康服务提供者在需要的地方和时间引导额外的护理。

  • 医院可以通过预测患者的住院时间来更有效地安排资源。

BUILT IN - ARTICLE INTRO SECOND COMPONENT

预测性数据分析通过预测何时、何地和如何提供护理来帮助医疗机构加强对患者的护理,可改善预后并降低成本。英特尔® 技术为最新的大数据平台和人工智能 (AI) 模型提供了高性能的基础,帮助临床医生进行诊断和改善护理。

成本上升、人口老龄化和慢性病的流行正在改变医疗保健行业。到 2030 年,全球医疗支出预计将达到前所未有的 18.3 万亿美元。1 为了应对这些趋势,支付模式已经从以量为基础转向以结果或价值为基础。

预测性分析正在帮助医疗机构适应这些新模式,同时帮助加强患者护理和改善预后。从预测败血性休克和心力衰竭等危急情况到防止再入院,大数据分析和 AI 的最新进展正在推动新的预测性分析解决方案,帮助临床医生改善预后并降低成本。

利用数据进行预测性健康分析

医疗保健已经数字化,并产生了大量的新数据集。其中包括电子医疗记录 (EMR) 系统、健康声明数据、放射影像和实验室结果。在不久的将来,基因组学数据也将显著增长。

包括病人可穿戴设备和监视器在内的越来越多的边缘医疗设备也会产生新的数据。在临床环境之外,患者正在通过个人可穿戴设备、健身跟踪器和健康应用程序生成准健康数据。

通过整合这些来源的数据,健康服务提供者可以为医疗诊断的预测性分析、健康风险的预测建模,甚至精准医疗的处方分析提供新的解决方案。

然而,将数据转换为临床结果需要硬件和软件基础,以便从不同的数据集中提取价值。一项调查发现,超过一半的医疗机构没有全面的数据治理计划。2 因此,很大一部分医疗保健数据仍未得到利用。

英特尔和合作伙伴正与医疗机构合作,利用一系列旨在有效地移动、存储和处理数据,为大数据平台提供支持和运行 AI 模型的技术,使预测性分析发挥作用。

由基于英特尔® 至强® 处理器的大数据平台提供支持的预测性分析使大型医院集团每年能够节省 1.2 亿美元成本。

预测建模在医疗保健中的优势:

预测性分析已成为任何健康分析策略的关键部分。如今,它是测量、聚合和感知行为、心理社会和生物特征数据的重要工具,但直到最近,这些数据还不可用或极难捕获。

在个人层面,预测性分析可以帮助健康服务提供者在恰当的时间向合适的病人提供正确的护理。在更大的范围内,它可以使卫生系统识别和了解更大的趋势,从而改进人口健康战略。

在一个例子中,研究人员利用大数据分析和大量数据(包括来自社交媒体和搜索引擎的信息),开发了一个埃博拉病毒传播路径的模型。有可能接触过埃博拉病毒的人可以在一个移动应用程序中输入自己的症状,该应用程序使用地理坐标来检查此人是否与来自埃博拉病毒活跃地区的人有过接触。3

预测性分析不仅可以增强医疗保健,还可以大幅降低成本。例如,对病人住院时间和再入院率更准确的预测模型可以使医院避免处罚,还能减少运营费用。通过利用电子健康记录 (EHR) 和预测性分析,医疗服务提供商可以标记那些可能错过预约的病人。一旦确认,就可以提醒这些患者或以其他方式支持他们按时就诊。

预测性分析的巨大潜力包括帮助识别有慢性疾病风险的患者,开发基于证据的最佳实践,并主动发现执行护理计划的潜在障碍。数据可以帮助临床医生领先一步,在病人的健康问题变得严重之前为他们提供积极的护理。

预测性分析在医疗保健中的示例

如今,卫生系统和健康服务提供者正在探索使用大数据平台和 AI 进行预测性分析的不同方式。这些解决方案正在帮助医疗机构从单纯使用数据来了解已经发生的情况,过渡到更可靠地预测将会发生什么。

加快危急情况的处理

Penn Medicine 与英特尔合作,创建了一个协作的数据科学平台,帮助预测和预防医院最常见和最昂贵的两个问题:败血症和心力衰竭。

预测模型能够在败血性休克发病前最多 30 小时(传统方法仅为 2 小时)识别大约 85% 的败血症病例(以前为 50%)。4 它还能识别出 20% 到 30% 的未被正确识别的心力衰竭患者。4 这些努力使临床医生能够更快地提供治疗,缩短康复时间,并为医院节省资源。

预测住院时间

帮助一个大型医院集团使用预测性分析来提高预测住院时间的准确性。有了基于英特尔® 至强® 处理器集群的大数据平台,该医院集团可以引入不相关的、非结构化的和半结构化的数据。

由于能够更有效地规划和配备人员,该医院集团每年节省了 1.2 亿美元的成本(每名患者约 1.2 万美元),并将设施利用率提高了 5%,使医院每年有可能额外服务 10,000 名患者。5

减少再次入院

此外,英特尔和 Cloudera 使用了社会经济数据、电子健康记录和预测性分析来帮助一个医院集团在诊断时即识别出再入院风险较高的患者。由此医院工作人员可以提供额外的医疗护理,以降低再入院率。

基于英特尔® 至强® 处理器的大数据平台使医院集团减少了 6000 起患者再入院事件,避免了 400 万美元的潜在医疗罚款,每年节省了约 7200 万美元的医疗服务成本。6

探索 AI 的潜力

英特尔热衷于使用 AI 来帮助卫生系统和健康服务提供者对抗疾病和提供个性化治疗。从我们赞助的以 AI 为重点的癌症筛查竞赛(英文),到许多英特尔® 技术支持的健康和生命科学 AI 解决方案(英文),英特尔正在帮助医疗机构找到正确的技术来部署预测性分析。

识别病情有恶化风险的患者

Sharp HealthCare 利用英特尔和 Cloudera 的技术,成功部署了一个预测性临床分析模型。该模型利用机器学习和医院 EMR 系统的数据,来识别在未来1一小时内有可能需要快速反应小组进行干预的患者。

该模型在预测1一小时内发生事件的可能性方面有 80% 的准确率。7 这使得快速反应小组能够主动干预,提升护理质量,降低护理成本,并提高资源利用率。

英特尔通过预测性分析支持临床医生

通过为 AI 和大数据平台提供技术基础,英特尔和合作伙伴生态系统正在帮助健康服务提供者利用大量尚未使用的患者和健康数据。由此产生的解决方案可以帮助提供者提高患者的安全性,提升工作效率,最重要的是,改善患者的治疗效果。

通知和免责声明

性能测试中使用的软件和工作负载仅在英特尔® 微处理器上进行了性能优化。

SYSmark 和 MobileMark 等性能测试使用特定的计算机系统、组件、软件、操作和功能进行测量。上述任何要素的变动都有可能导致测试结果的变化。您应该查询其他信息和性能测试,以帮助您对正在考虑购买的产品作出全面的评估,包括该产品在与其他产品结合使用时的性能。有关详细信息,请访问 www.intel.cn/benchmarks(英文)。

性能结果基于配置中的测试日期,且可能并未反映所有公开可用的安全更新。有关详细信息,请参见配置信息披露。没有任何产品或组件能保证绝对安全。

产品和性能信息

1Healthcare Disrupted: Next Generation Business Models and Strategies(《医疗保健变革:下一代商业模式和战略》),作者 Jeff Felton 和 Anne O’Riordan。
2Dimensional Insight,dimins.com/press-releases/yr2017/data-governance-challenges-plague-hospitals/。
3“Modeling Ebola Spread Using Big Data Analytics”(使用大数据分析模拟埃博拉传播),2016,iucrc.org/node/modeling-ebola-spread-using-big-data-analytics
4“Predictive Analytics in Healthcare”(医疗保健预测分析),2017 年 9 月,https://www.healthcareitnews.com/sponsored-content/penn-signals-big-data-analytics-helps-penn-medicine-improve-patient-care-0
5“Intel and Cloudera Help a Large Hospital Group Allocate Resources by Predicting Patient Length-of-Stay”(英特尔和 Cloudera 通过预测病人的住院时间帮助大型医院集团分配资源)https://www.intel.com/content/www/cn/zh/healthcare-it/healthcare-overview.html
6“Intel and Cloudera Use Predictive Analytics to Help a Large Hospital Group Reduce Readmission Rates”(英特尔和 Cloudera 使用预测分析帮助大型医院集团降低再入院率)https://www.intel.cn/content/www/cn/zh/healthcare-it/healthcare-overview.html
7“Using Machine Learning and EMR Data to Predict Patient Decline”(利用机器学习和 EMR 数据预测患者病情恶化)https://www.intel.ai/ai/wp-content/uploads/sites/69/using-machine-learning-and-emr-data-to-predict-patient-decline-study.pdf