Эта история была впервые опубликована на клиентском портале Microsoft. Вы можете прочитать всю историю здесь.

KenSci - это первая платформа прогнозирования рисков на основе машинного обучения, которая использует электронные медицинские карты (EMR), претензии, психосоциальные, операционные данные и данные, полученные от пациентов, для согласования плательщиков и поставщиков услуг в отношении инициатив по оказанию помощи на основе ценности. Платформа KenSci Risk Prediction, основанная на облачных технологиях и технологиях данных Microsoft, основана на более чем 150 готовых моделях машинного обучения и позволяет прогнозировать риски, связанные с оказанием медицинской помощи, и финансовые риски для 17 миллионов пациентов на сегодняшний день.

По мере того, как мы движемся к уходу, основанному на ценности, прогнозирование клинических и финансовых рисков становится центральным элементом цифровой трансформации здравоохранения в США.

Санни Неоги: директор по развитию

KenSci

Ограничения эвристики в здравоохранении

KenSci использует машинное обучение для прогнозирования управления рисками в здравоохранении. Мы разрабатываем решения, которые помогают плательщикам, врачам, медсестрам и другим лицам в рамках континуума обслуживания определять пациентов, которые заболеют, когда они заболеют, насколько они заболеют, и что можно сделать для улучшения их здоровья или помогите им избежать болезни в первую очередь.

У нас большой академический и исследовательский опыт, мы работали в Вашингтонском университете и сотрудничали с Microsoft Research более пяти лет. Наша команда состоит в основном из врачей и специалистов по анализу данных. Наша единственная цель - применение расширенной аналитики для улучшения здравоохранения и помощи людям в более долгой и здоровой жизни.

Например, если пациент старше 45 лет, имеет избыточный вес, гипертонию и имеет плохие результаты анализа крови, врач с относительной уверенностью распознает высокий риск сердечного приступа или инсульта. Но предсказание доктора все же страдает серьезным ограничением: точностью. Ему не хватает математической строгости и может быть статистически значимая погрешность. Хуже того, мы часто обращаемся за медицинской помощью после того, как заболели, что ограничивает способность нашей системы здравоохранения предотвращать проблемы со здоровьем и, в свою очередь, перегружает ее. Лица, осуществляющие уход, часто испытывают нехватку времени и не имеют инструментов для включения социальных и психографических детерминант, которые имеют огромное влияние на результаты в отношении здоровья. Некоторые пациенты балансируют на грани между очевидным здоровьем и видимым риском. (Эти пограничные пациенты часто обходятся дороже всего.)

Помощь на основе данных для специалистов здравоохранения

KenSci решает эти проблемы с помощью подхода, основанного на данных в самом чистом смысле этого слова. Мы разрабатываем математические модели, которые учитывают сотни переменных - и связи между ними - от генетики, демографии, дохода и психосоциальных факторов до жизненной ситуации, детских болезней и даже почтового индекса пациента. Устройства для наблюдения за состоянием здоровья также предоставляют поток данных для анализа. В этом может помочь машинное обучение. Используя машинное обучение Microsoft Azure, мы можем создавать наши модели, распознавая закономерности как в статических, так и в медицинских данных в реальном времени, и пока результаты впечатляют. Мы работаем с некоторыми из крупнейших систем здравоохранения в США и Азии и помогаем более чем 17 миллионам пациентов снизить риски и стоимость медицинского обслуживания.

Правильный выбор облака для правильной работы

Мы выбрали Azure в качестве облачной службы по нескольким причинам. Самым важным была безопасность. Когда мы имеем дело с наиболее личными данными наших клиентов, безопасность не подлежит обсуждению. Azure помогла нам обеспечить соответствие требованиям здравоохранения и упростить безопасность лучше, чем все другие облачные платформы, которые мы оценивали.