kuinka digitalisaatio mahdollistaa … · it-kehitysjohtaja mikko rotonen hus-tietohallinto kuinka...
TRANSCRIPT
IT-Kehitysjohtaja Mikko Rotonen
HUS-TIETOHALLINTO
KUINKA DIGITALISAATIO
MAHDOLLISTAA
MUUTOKSEN SOTEPALVELUISSA
SISÄLTÖ
2
1.Lyhyt oppimäärä tekoälyä
2.Teknologia ja BigData
3.Ekosysteemit
4.Case Hyksin lastenklinikan keskosteho
5.Digitaaliset palvelut tulevaisuudessa
6.HUSin kyvykkyys digitalisaatioon ja
keinoälyn hyödyntämiseen
TEKOÄLYN TEKNIIKAT
1. Koneoppiminen (machine learning)
2. Neuroverkot (artificial neural networks)
3. Syvä neuroverkko (deep learning)
4. Ohjattu oppiminen (supervised learning)
5. Vahvistusoppiminen (reinforcement learning)
6. Ohjaamaton oppiminen (unsupervised learning)
4
A. KONEOPPIMINEN (MACHINE LEARNING)
Älyn logiikkaa ei kirjoiteta käsin, vaan rakenne
löytyy dataa analysoimalla ja kokemuksen
kautta.
24.8.2017 5
B . NEUROVERKOT (ARTIFICIAL NEURAL NETWORKS)
Jäljittelee aivojen rakennetta ja niiden toimintaa.
Mahdollistaa nopean rinnakkaislaskennan.
24.8.2017 6
C. SYVÄ NEUROVERKKO (DEEP LEARNING)
Neuroverkossa on useita kerroksia, joissa
syötteen abstraktiotaso nousee mitä
pidemmälle verkossa syöte etenee. Mitä
monimutkaisempaa data on, sitä syvempiä
verkkoja tarvitaan.
24.8.2017 7
D. OHJATTU OPPIMINEN (SUPERVISED LEARNING)
Kone tietää ongelman vastauksen itse ja on
päätellyt ratkaisun massiivisen aineiston
perusteella. Data annetaan syöte-
vastauspareina. Tehtävä on oppia jäljittelemään
annettua oikeaa vastausta mahdollisimman
hyvin.
24.8.2017 8
E. VAHVISTUSOPPIMINEN (REINFORCEMENT
LEARNING)
Koneelle annetaan palautetta eli sille kerrotaan
oliko tulos johon se pääsi oikea vai väärä.
Kone säätää toimintaansa (algoritmia) ja yrittää
uudelle ja tulos paranee.
24.8.2017 9
F. OHJAAMATON OPPIMINEN (UNSUPERVISED
LEARNING)
Koneelle ei anneta oikeita vastauksia eikä
palautetta, vaan data annetaan pelkkänä
syötteenä, jonka sisäistä rakennetta on
tarkoitus tarkastella.
24.8.2017 10
12
Nro 2008->2009 2011->2012 2014->2015 2016->2017
1 Virtualization Media tablets Computing Everywhere Artificial Intelligence and
Advanced Machine Learning
2 Cloud Computing Mobile-centric applications and
interfaces
The Internet of Things (IoT) Intelligent Apps
3 Servers: Beyond Blades Contextual and social user
experience
3D Printing Intelligent Things
4 Web Oriented Architecture The Internet of Things (IoT) Advanced, Pervasive and
Invisible Analytics
Virtual Reality and
Augmented Reality
5 Enterprise Mashups App stores and Marketplaces Context-Rich Systems Digital Twins
6 Specialized Systems Next-generation analytics Smart Machines Blockchains and Distributed
Ledgers
7 Social Software
& Social Networking
Big Data Cloud/Client Computing Conversational Systems
8 Unified Communications In-memory computing Software-Defined Applications
and Infrastructure
Mesh App and Service
Architecture
9 Business Intelligence Extreme low-energy servers Web-Scale IT Digital Technology Platforms
10 Green IT Cloud computing Risk-Based Security and Self-
protection
Adaptive Security
Architecture
Lähde: Gartner
GARTNER TOP 10 TECHNOLOGY TRENDS
24.8.2017 13
Cognitive / Deep
learning(IBM Watson)
Potilastietojärjestelmien kypsyystasot ja sukupolvet
Tekoälyä tarvitaan, jotta voidaan saavuttaa Gartnerin kypsyystasot 4 ja 5
24.8.2017 14
NRT Mynla
ja Tietovarasto
Laaturekisterit
Potilastieto-
järjestelmät
ja
HealthWeb
Potilaat
Tutkijat
Uranus / Epic
Laboratorio
Kuvantaminen
Anestesia ja teho
Leikkaussali
Lääkitys
BCB
Laaturekisterit
Laskutus ja
tietovarasto
HUS TIETOALLAS
(HUS Datalake)
Palveluoperaattori
- Metadata
- Tutkimuslupa
- Tiedon hallinta
- Monitorointi
Hallinto
Integroitavat tietovarannot
Metadata,
Integrointi,
Lataus
Tietoaltaaseen
PACS
XDS
Kuva-arkistot
Genomi
BiopankkiMobiilisovellukset
Analyyttiset
algoritmit ja
ennustava
mallintaminen
Lääkärit
Hoitajat
Tutkijat
Hallinto
Potilaan omat mittaukset
- Noona syöpäseuranta
- Diabetes-seuranta
- EKG-seuranta
Terveyskylä
Potilaat
Watson
Kirontech
Aalto yo
Nokialab
Cortana
DuoDecim
KUINKA PALJON TIETOA TARVITAAN JOTTA
VOI HYÖDYNTÄÄ TEKÖÄLYÄ?
15
• Tiedon määrä riippuu käytettävästä tekniikasta
• Kuva-analytiikassa on syötetarve n. 10 000 kuvaa
• Esim. Watson for Oncology
• - Perustuu 300 000 lääketieteelliseen julkaisun, 200
kirjaan ja 12 miljoonaan kirjoitettuun sivuun aiheesta,
• - Opettamiseen on käytetty 15 000 tuntia (=2 000
työpäivää, = 9 työvuotta) asiantuntijoiden työaikaa
3. EKOSYSTEEMIT
24.8.2017 16
”Kukaan ei ole riittävän suuri selvitäkseen yksin, on pakko
liittoutua ja muodostaa (mikro)palvelujen ekosysteemi”
23
A. Tekninen ratkaisu
digiConnect/
eboxGE Clinisoft
database
GE Clinisoft
Watson
database
IBM WATSONPhilips
potilasmonitori
Potilaan elintoimintatietojen käsittelyvaihtoehdot ja niiden ajantasaisuus ja validointi Tietojärjestelmäarkkitehtuuri ja integraatiot
24
B. KÄYTETTY ANALYSOINTI- JA ENNUSTETEKNIIKKA
Käytetyt potilaiden elintoimintoja kuvaavat muuttujat
• Syke (HR)
• Hengitystaajuus (RESP)
• Happisaturaatio (SaO2)
SPSS Modelerin avulla päätöspuumalli (CR&T) sovitettiin dataan, jossa
sepsispositiivisten dataa päivää ennen kliinikon ottamaa veriviljelyä
verrattiin satunnaistettuun otantaan sepsisnegatiivisten potilaiden datasta
• Malli ottaa huomioon myös muuttujien väliset riippuvuudet
• Data jaettiin testi- ja mallinnusosioon mallin validointia varten
25
C. Projektin löydökset
- sepsiksen ennustaminen GE Clinisoftin datalla
• Päätöspuun avulla datasta tunnistaa
korrelaatioita, jotka ennustavat sepsistä
• Algoritmi valitsee ja optimoi
päätöspuussa näkyvät raja-arvot
automaattisesti käytössä olevan datan
perusteella
• Esimerkiksi päätöspuusta voidaan
nähdä kuinka alhainen sykkeen
vaihtelu (HR_VAR10) kasvattaa
sepsisriski
• Havainto on yhtenevä alan muiden
tutkimusten kanssa, joissa käytetty
reaaliaikaista potilasmonitorointi dataa
26
Ehdotus tulevaisuuden analytiikka arkkitehtuuriksi
D. Projektin löydökset
- Teknisen ratkaisun kehittäminen tuotantokäyttöön
IBM
Infosphere
Streams
IBM
BigInsights
for Hadoop
Real-Time Stream Computing
Big Data Watson Analytics
NICU Data Sources
AnalyzeStore & ProcessCollect
Laboratory results
Patient Monitors
Ordered medication &
Procedures
External devices
Electronic Health Records
Millions of Events
per Second / all
kinds of data
Complex analytics:
Everything you can
express via an algorithm
Immediate action in real time
Real-time data correlation, Anomaly
Detection - Event and flow normalization -
context & enrichment
• Historical data storage for
research
• Integration to production and
existing data sources
• Preservation of raw data from
patient monitors
• Long-term, multi-PB storage
• New and old data sources
• Predictive modeling
• Anomaly detection
• Research
• New Models and variables
• Text data analytics
Hifi-signals (Audio,
Monitoring data)
Video data
Clinisoft
•Legislative compliance
•Laboratory results EHR data
27
TIIVISTELMÄ KOKEILUSTA JA SEN TULOKSISTA JA JATKOSUUNNITELMISTA
Ennustekyvykkyys todettu GE Healthcare Centricity Critical Care Clinisoft
sovelluksen datalla• jo medianisoidussa datassa näkyy merkkejä siitä, että sepsis voidaan ennustaa 24 h ennen kuin kliinikko tilaa
verinäytteen
• Hoitohenkilökunnan päätöksentekoa voidaan helpottaa visualisoimalla tulokset
Ennustetarkkuutta voidaan kehittää• Hyödyntämällä lähes reaaliaikaista potilasmonitorointitietoa (esim. EKG, veren happisaturaatio, hengitystiheys,
verenpaine)
• Parantamalla datan laatua (puuttuvien arvojen vähentäminen)
• Lisäämällä uusia muuttujia (esim. videoanalytiikan avulla määritetty fyysinen aktiivisuus)
• Parantamalla analytiikkaympäristön laskentatehoa
Seuraavat askeleet• Tieteellinen tutkimus (tutkimusluvat, infrastruktuuri yms.) näytöistä, että reaaliaikaisella datalla voidaan ennustaa
sepsis. Saatava näyttöä ennustekyvystä, jonka tuloksen mukaan voidaan edetä
• Ennustetarkkuuden kehittäminen tieteellisen tutkimuksen kautta
• Käytäntöön viemisen suunnittelu
• Tuotantoa ja analytiikan kehittämistä tukevan ympäristön luonti
• Menetelmän laajentaminen muihin käyttötapauksiin
28
Clinisoft
database
GE Clinisoft Critical Care
Watson
Ennustava analytiikka
GE
Gateway
GE
potilasmonitori
Ajantasaisuus Tiedon validointi,
formaatti
Tiedon sisältö
Vaihtoehto 1 60 + 120 sekuntia Arvot mediaaneja, HL7 Laboratoriotiedot sisältyvät, samoin kertomus, ei käytetä ennustamiseen
Vaihtoehto 3 2 sekuntia Ei, XML High Speed Laboratoriotiedot täydennetään suoraan ennustemalliin HL7:llä, Muut
tiedot siirretään XML:llä, ei siirretä kertomustietoja
11 33
Multilab
Potilaan elintoimintatietojen siirto ja dokumentointi
Video data
Tietoallas
Teksti
BT / Stream Analytics
TuotantoKehitys/DL
BIG DATA SOURCES
SPSS ModelingDevelopment only
SPSS C&DS
TCP
UDP
MQ
HTTP
HDFS
ODBC
Files
EDGE ADAPTERS
EDGE ADAPTERS
STREAMS FILE LANDING ZONE (I/O)
Production Feeds
CONSUMER
INGEST APPS
SIGNATURE DETECTIONSEPSIS IDENTIFICATION
BUSINESS RULES FILTERING
SYSTEMIC MEMORY PATIENT PROFILE &
ANALYTICS SCORING STORE
ECG Scoring
PREDICTION ENGINE
Lab Scoring
Medicine
Treatments, DiagnosHistory
FILES
ODBC
HDFS
HTTP
MQ
TCP SINK
TCP SOURCE
UDP
Demograph
Realtime
Predictive
Dashboard
Medicine
Treatment
Patient
(C) Real-time Treatment action by Care
givers
(B) Real-time Patient Monitoring
Streams + subscription other data
streams ie Lab, Treatment Activity
streams etc.
(D) Real-time Predictive Dashboard
(A) Iterative Analytical model
deployment
Streams Real-time Analytics PlatformD
ata
Re
po
sito
rie
s
GE Gateway
Senosr XYZ
HealthCare Device XYZ
Video Stream
Lab Results
Medicine Hist
Treatments Hist
Symptoms Hist
PatientoDemographi
cs
Patient Account InfoP
atie
nt
Dat
aLa
b D
ata
Dyn
amic
Pat
ien
t A
ctiv
ity
DEV
Landing, Exploration and Archive data zone
Data source samples, Modelling development, Analytic Schema, Systemic Patient Profile
Operative
Clinician
Ennustava sepsisanalytiikka vuonna 2017
32
Informaation
merkitys
Data Informaatio Tietämys Ymmärrys
Mitä tapahtui?
Miksi niin tapahtui?
Mitä tulee tapahtumaan?
Mikä olisi parasta mitä voisi
tapahtua?
Raaka
data
Puhdistettu
data
Vakio-
raportti
Kuutiot ja
kyselyt
Kuvaileva
mallinnus
Ennustava
mallinnus
Optimointi
Tiedonjalostus ja sen tasot
BigDataTietovarastoPerus
järjes-
telmät
BigDatan tiikerin loikka
24.8.2017 39
https://sundaysky.com/smartvideo-platform/http://www.moneysense.ca/https://chatbotsmagazine.com/
41
INTEGRAATIOMALLI IBM WATSON PALVELUUN
Pipeline
Operational
Org ID 1:*
Common
Localization
User
Interface
Published
API
Internal API
Gateway
User / Org ID
Management
Multi-Organization SaaS InstancePartner/ResellerOrganizations
EMR
EMR
Watson
Case DataPatient, Case,
User Mapping
Integration
Components
Watson
Integration API
Structured Attribute
Translation
Structured Attribute
Retrieval
Store WO
Case Data
Forward
ProxyOrg ID
User
42
Type System
RulesModels
Indexes
Models
Models
ModelsCorpus
Operational Data Localization
Internal Cognitive Solution API
Inbound Operational Data Published Cognitive Solution API Outbound Operational Data
Question
Analysis
Query
Builder
Primary SearchSearch
Result
Processing
Candidate
Answer Generation ScoringFinal
Merger
User InterfaceClinical Interface Administration Console
Multi-Organization Instance
- HUS on tutkinut kyvykkyyttä hyödyntää Watson Oncology-palvelua
- IBM on kehittänyt 5 syöpäanalyysiä
- Breastcancer (150 muuttujaa)
- Lungcancer (97 muuttujaa)
- Rectalcancer (74 muuttujaa)
- Coloncancer (71 muuttujaa)
- MSKGastricCancer (60 muuttujaa)
- BCB Medical Oy:n syöpärekisterit kattavat suoraan keskimäärin 65%
Watsonin käyttämistä tietokentistä
- Koska rakenteistamattomien hoitokertomustietojen merkitys on 60%
Watson analyysissä, niin Watsonille tulee opettaa suomenkieli
- Rakenteistettu tieto voidaan kääntää englanniksi
integraatiovaiheessa ennen siirtoa Pipelineen
HUSin IBM Watson Oncology selvitys
43
44
Kansallinen
Syöpätautien 4C
Comprehensive
Cognitive Cancer
Center
IBM Watson
Oncology,
Genomics ja
Merge
Noona
(Potilasseuranta)
BCB Medical
(Laaturekisterit)BC Platform
(Genomianalytiikka)
HUS 3C
Comprehensive
Cancer Center
HUSin näkemys syöpätautien analytiikan ja keinoälyn ekosysteemiksi
45
- - - - - - - - - - - - - - - - -
HU
S
PS
HP
EP
SH
P
KH
SH
P
Kym
SH
P
Ekso
te
SatS
HP
PH
SO
TEY
PP
SH
P
KS
SH
P
KP
SH
P
KA
INU
U
PS
SH
P
VS
HP
PK
SS
K
ES
SH
P
ISS
HP
LP
HP
LH
P
VS
SH
P
BCB tekonivelkirurgia
BCB tähystyskirurgiaBCB selkäkirurgiaBCB murtuma
ORTOPEDIAN REKISTERIT
SYÖPÄREKISTERIT
BCB eturauhassyöpä
BCB rakkosyöpäBCB munuaissyöpäBCB rintasyöpäBCB kolorektaalisyöpä
BCB ihosyöpäBCB LaNu syöpäseuranta
BCB pään ja kaulan syövätBCB lymfoomat
BCB gynekologiset syövätBCB haimasyöpä
BCB keuhkosyöpä
BCB funkt. neurokirurgia
BCB selkäydinvamma
BCB AVHBCB aivovammaBCB hydrogefalus
BCB neuromodulaatioBCB aneyrysma
BCB epilepsia
97% 100%
NEUROLOGIAN REKISTERIT
73% 73%
65% 76%
51% 66%
58% 63%
58% 63%
58% 63%
53% 65%
48% 68%
30% 55%
30% 47%
30% 51%
30% 30%
30% 30%
30% 30%
30% 30%
100% 100%
42% 60%
9% 9%
5% 5%
30% 30%
5% 5%
5% 5%
35% 35%
2016 2017
käytössä / toimituksessa / tilattu
budjetoitu vuodelle 2017
muu ratkaisu käytössä
SYÖPÄTAUTIEN LAATUREKISTERIEN LEVINNEISYYS