Pembelajaran mendalam di unit gawat darurat
Computer

Pembelajaran mendalam di unit gawat darurat


Kredit: CC0

Memanfaatkan kekuatan pembelajaran mendalam mengarah pada prediksi yang lebih baik tentang penerimaan pasien dan aliran di bagian gawat darurat.

Dengan menggunakan model pembelajaran mendalam yang dirancang untuk data berdimensi tinggi, peneliti KAUST telah menunjukkan bahwa dimungkinkan untuk memprediksi kepadatan unit gawat darurat yang berlebihan dari catatan rumah sakit yang kompleks. Aplikasi model pembelajaran mendalam “Variational AutoEncoder” ini adalah contoh bagaimana pembelajaran mesin dapat digunakan untuk menafsirkan dan mengekstrak makna dari kumpulan data sulit yang terlalu banyak atau rumit untuk diuraikan manusia.

Pembelajaran mesin adalah aspek penting dari kecerdasan buatan (AI) yang melibatkan pelatihan model AI menggunakan data pelatihan. Model AI dapat belajar, misalnya, untuk mengenali gambar angka tiga dengan melatihnya menggunakan kumpulan data yang berisi ribuan versi angka tulisan tangan. Model jaringan saraf sederhana — terdiri dari “neuron” yang saling berhubungan yang mengambil masukan, menerapkan aturan, dan menghasilkan keluaran – menjadi semakin akurat karena terpapar lebih banyak data pelatihan dan aturan pada setiap neuron disempurnakan.

Dengan menambahkan lapisan neuron perantara tersembunyi ke dalam jaringan ini, model dapat diminta untuk mempelajari sendiri hubungan dalam data masukan tanpa aturan yang ditentukan sebelumnya. Model seperti itu, yang dikenal sebagai model deep-learning, sangat kuat karena memungkinkan kita, untuk pertama kalinya, menafsirkan data yang sebelumnya terlalu besar, heterogen, atau multiparameter untuk menganalisis secara bermakna dengan cara lain.

“Pembelajaran mendalam telah muncul sebagai jalur penelitian yang menjanjikan dalam pemodelan dan prakiraan, baik di akademisi maupun industri,” kata Fouzi Harrou, ilmuwan riset di KAUST. “Model ini dapat secara otomatis mengekstrak informasi dari kumpulan data yang banyak dengan instruksi manusia yang terbatas, seperti hubungan implisit antara variabel, pengenalan pola yang rumit dan deskripsi ketergantungan dalam data deret waktu.”

Harrou, dengan ahli statistik Ying Sun dari KAUST dan kolaborator dari Prancis dan Aljazair, menerapkan model berbasis pembelajaran mendalam yang sangat menjanjikan yang disebut Variational AutoEncoder (VAE) untuk masalah memprediksi penerimaan pasien dan mengalir melalui bagian gawat darurat di rumah sakit anak.

“Fitur VAE yang sangat menarik adalah kemampuannya untuk memampatkan data berdimensi tinggi, atau banyak parameter, menjadi representasi berdimensi lebih rendah, yang memungkinkan pembuatan perbandingan kuantitatif yang fleksibel,” kata Harrou. Hasilnya menunjukkan bahwa pendekatan VAE berkinerja lebih baik daripada model lain, memberikan berbagai wawasan, seperti hari masuk pasien puncak dan hubungan kausatif.

“Perkiraan akurat kedatangan pasien sangat penting bagi manajer departemen darurat untuk mengurangi waktu tunggu pasien dan lama tinggal,” kata Harrou. “Hasil kami dengan jelas menunjukkan kinerja yang menjanjikan dari model pembelajaran mendalam untuk aplikasi semacam itu, dan kami sekarang bekerja untuk memperluas pendekatan terhadap perkiraan kasus COVID-19.”


Mengidentifikasi dan menilai kerapuhan pada diabetisi harus menjadi prioritas, untuk penanganan dan penanganan yang lebih baik


Informasi lebih lanjut:
Fouzi Harrou dkk. Memperkirakan kepadatan departemen darurat yang berlebihan: Kerangka pembelajaran yang mendalam, Chaos, Solitons & Fractals (2020). DOI: 10.1016 / j.chaos.2020.110247

Disediakan oleh Universitas Sains dan Teknologi Raja Abdullah

Kutipan: Pembelajaran mendalam di departemen darurat (2020, 23 November) diakses 27 November 2020 dari https://techxplore.com/news/2020-11-deep-emergency-department.html

Dokumen ini memiliki hak cipta. Selain dari transaksi yang adil untuk tujuan studi atau penelitian pribadi, tidak ada bagian yang boleh direproduksi tanpa izin tertulis. Konten disediakan untuk tujuan informasi saja.




Halaman Ini Di Persembahkan Oleh : Pengeluaran HK