Машинное обучение, потоковый Интернет вещей и подключенные медицинские устройства
Посмотрите, как машинное обучение можно применить для здравоохранения благодаря данным мониторинга пациентов и определенной помощью Apache Spark.
Сочетание данных IoT, потокового анализа, машинного обучения и распределенных вычислений стало более мощным и менее дорогим, чем раньше, что позволило значительно быстрее сохранять и анализировать много данных и больше различных их типов.
Некоторые примеры совместной работы IoT, Big Data и машинного обучения:
• Здравоохранение: постоянный мониторинг хронических заболеваний.
• Умные города схемы трафика и управления заторами.
• Производство: оптимизация и прогнозируемое обслуживания.
• Перевозки: оптимизация маршрутов и потребления топлива.
• Автомобили: умные автомобили.
• Телекоммуникации: выявление аномалий.
• Розничная торговля: реклама, основанная на местоположении
Попробуем понять, почему комбинирования данных IoT, потоковой передачи данных и машинного обучения помогает оказать медицинскую помощь, при этом важно отметить, что такие хронические заболевания, как сердечно-сосудистые, являются основными причинами заболеваний и расходами на здравоохранение в стране. Наибольшие сферы расходов и волнений — это координация помощи и опережающий направления в больницы людей с хроническими заболеваниями. Дешевые сенсоры, которые могут отслеживать жизненно важные признаки, в сочетании с машинным обучением, позволяют врачам быстро применять интеллектуальные лекарства для своих пациентов и имеют потенциал обеспечения масштабного управления хроническими заболеваниями с лучшим здравоохранением при меньших затратах.
Ссылка на изображение wsj.com/articles/the-smart-medicine-solution-to-the-health-care-crisis-1499443449
Команда исследователей из Стэнфордского университета показала, что модель машинного обучения может выявить сердечную аритмию на ЭКГ (ЭКГ) лучше, чем эксперт.
Как пояснил Michael Chui с McKinsey Global Institute, «Сенсоры, которые ставятся на пациента, теперь могут дистанционно и непрерывно отслеживать жизненные признаки, давая практикам раннее предупреждение об обстоятельствах, которые в противном случае приведут к незапланированным госпитализаций и дорогой неотложной помощи. Повышение эффективности лечения одной сердечной недостаточности может сократить расходы на госпитализацию и лечение на миллиард долларов ежегодно в Соединенных Штатах ».
