論文の概要: DEPLOYR: A technical framework for deploying custom real-time machine
learning models into the electronic medical record
- arxiv url: http://arxiv.org/abs/2303.06269v1
- Date: Sat, 11 Mar 2023 01:11:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 20:06:19.270848
- Title: DEPLOYR: A technical framework for deploying custom real-time machine
learning models into the electronic medical record
- Title（参考訳）: DEPLOYR: カスタムリアルタイム機械学習モデルを電子カルテにデプロイするための技術フレームワーク
- Authors: Conor K. Corbin, Rob Maclay, Aakash Acharya, Sreedevi Mony, Soumya
Punnathanam, Rahul Thapa, Nikesh Kotecha, Nigam H. Shah, Jonathan H. Chen
- Abstract要約: 機械学習モデルのリアルタイム展開とモニタリングを可能にするフレームワークであるDEPLOYRを提案する。
コア機能と設計決定について論じ,EMRソフトウェア内の動作に基づいて推論をトリガーする機構について論じる。
我々は、スタンフォード・ヘルスケアのEpicの生産事例において、クリニカル・ボタンクリックによって引き起こされる12のMLモデルを静かに展開し、前向きに評価することで、DEPLOYRの使用を実証する。
- 参考スコア（独自算出の注目度）: 5.660769142308798
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning (ML) applications in healthcare are extensively researched,
but successful translations to the bedside are scant. Healthcare institutions
are establishing frameworks to govern and promote the implementation of
accurate, actionable and reliable models that integrate with clinical workflow.
Such governance frameworks require an accompanying technical framework to
deploy models in a resource efficient manner. Here we present DEPLOYR, a
technical framework for enabling real-time deployment and monitoring of
researcher created clinical ML models into a widely used electronic medical
record (EMR) system. We discuss core functionality and design decisions,
including mechanisms to trigger inference based on actions within EMR software,
modules that collect real-time data to make inferences, mechanisms that
close-the-loop by displaying inferences back to end-users within their
workflow, monitoring modules that track performance of deployed models over
time, silent deployment capabilities, and mechanisms to prospectively evaluate
a deployed model's impact. We demonstrate the use of DEPLOYR by silently
deploying and prospectively evaluating twelve ML models triggered by clinician
button-clicks in Stanford Health Care's production instance of Epic. Our study
highlights the need and feasibility for such silent deployment, because
prospectively measured performance varies from retrospective estimates. By
describing DEPLOYR, we aim to inform ML deployment best practices and help
bridge the model implementation gap.
- Abstract（参考訳）: 医療における機械学習(ml)応用は広く研究されているが、ベッドサイドへの翻訳の成功は少ない。
医療機関は、臨床ワークフローと統合された正確で行動可能な信頼性のあるモデルの実装を統制し、促進する枠組みを確立している。
このようなガバナンスフレームワークは、モデルをリソース効率よくデプロイするために付随する技術的なフレームワークを必要とします。
本稿では,研究者が作成した臨床MLモデルを,広く使用されている電子カルテ(EMR)システムにリアルタイムに展開・監視するための技術フレームワークであるDEPLOYRを提案する。
我々は、emrソフトウェア内の動作に基づく推論を起動するメカニズム、推論を行うためにリアルタイムデータを収集するモジュール、ワークフロー内のエンドユーザに推論を表示することによってループを閉じるメカニズム、デプロイされたモデルのパフォーマンスを追跡するモジュールの監視、サイレントデプロイメント機能、デプロイされたモデルの影響を予測的に評価するメカニズムなど、コア機能と設計決定について議論する。
我々は、スタンフォード・ヘルスケアのEpicの生産事例において、クリニック・ボタンクリックによって引き起こされる12のMLモデルを静かに展開し、前向きに評価することで、DEPLOYRの使用を実証する。
本研究は,このような静かな配置の必要性と実現可能性を強調している。
DEPLOYRを説明することで、MLデプロイメントのベストプラクティスを伝え、モデル実装のギャップを埋めることを目指している。
関連論文リスト
- Self-Healing Machine Learning: A Framework for Autonomous Adaptation in Real-World Environments [50.310636905746975]
実世界の機械学習システムは、基礎となるデータ生成プロセスの分散シフトによって、モデルの性能劣化に遭遇することが多い。
概念のドリフト適応のような既存のシフトへのアプローチは、その理性に依存しない性質によって制限される。
我々はこれらの制限を克服するために自己修復機械学習(SHML)を提案する。
論文 参考訳（メタデータ） (2024-10-31T20:05:51Z) - R-AIF: Solving Sparse-Reward Robotic Tasks from Pixels with Active Inference and World Models [50.19174067263255]
我々は、エージェントがスパース・リワード、継続的なアクション、ゴールベースのロボット制御POMDP環境においてエクササイズするのを助けるために、事前の選好学習手法と自己修正スケジュールを導入する。
我々のエージェントは、累積報酬、相対安定性、成功率の観点から、最先端モデルよりも優れたパフォーマンスを提供する。
論文 参考訳（メタデータ） (2024-09-21T18:32:44Z) - Clinical Validation of a Real-Time Machine Learning-based System for the Detection of Acute Myeloid Leukemia by Flow Cytometry [0.0]
フロー内の機械学習(ML)モデルは、エラー率を低減し、効率を向上し、臨床実験室の効率を向上する可能性がある。
このようなモデルの臨床的展開についてはほとんど研究されていない。
急性骨髄性白血病(AML)の検出のためのMLモデルと臨床実装を支えるインフラについて述べる。
論文 参考訳（メタデータ） (2024-09-17T16:53:47Z) - MEDIC: Towards a Comprehensive Framework for Evaluating LLMs in Clinical Applications [2.838746648891565]
臨床能力の5つの重要な側面にまたがって,大規模言語モデル(LLM)を評価するフレームワークであるMEDICを紹介する。
医療質問応答,安全性,要約,メモ生成,その他のタスクにおいて,MDDICを用いてLCMを評価する。
その結果, モデルサイズ, ベースライン, 医療用微調整モデル間の性能差が示され, 特定のモデル強度を必要とするアプリケーションに対して, モデル選択に影響を及ぼすことがわかった。
論文 参考訳（メタデータ） (2024-09-11T14:44:51Z) - Benchmarks as Microscopes: A Call for Model Metrology [76.64402390208576]
現代の言語モデル(LM)は、能力評価において新たな課題を提起する。
メトリクスに自信を持つためには、モデルミアロジの新たな規律が必要です。
論文 参考訳（メタデータ） (2024-07-22T17:52:12Z) - Towards a clinically accessible radiology foundation model: open-access and lightweight, with automated evaluation [113.5002649181103]
オープンソースの小型マルチモーダルモデル(SMM)を訓練し、放射線学における未測定臨床ニーズに対する能力ギャップを埋める。
トレーニングのために,697万以上の画像テキストペアからなる大規模なデータセットを組み立てる。
評価のために,GPT-4に基づく実測値CheXpromptを提案する。
LlaVA-Radの推論は高速で、単一のV100 GPU上でプライベート設定で実行できる。
論文 参考訳（メタデータ） (2024-03-12T18:12:02Z) - Yet Another ICU Benchmark: A Flexible Multi-Center Framework for Clinical ML [0.7982607013768545]
Another ICU Benchmark (YAIB) は、再現性と同等の臨床ML実験を定義するためのモジュラーフレームワークである。
YAIBは、ほとんどのオープンアクセスICUデータセット(MIMIC III/IV、eICU、HiRID、AUMCdb)をサポートし、将来のICUデータセットに容易に適応できる。
データセットの選択,コホート定義,前処理が予測性能に大きな影響を及ぼすことを示す。
論文 参考訳（メタデータ） (2023-06-08T11:16:20Z) - Safe AI for health and beyond -- Monitoring to transform a health
service [51.8524501805308]
機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。
モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
論文 参考訳（メタデータ） (2023-03-02T17:27:45Z) - System Resilience through Health Monitoring and Reconfiguration [56.448036299746285]
人為的なシステムのレジリエンスを、予期せぬ事象に対して向上させるためのエンドツーエンドのフレームワークを実証する。
このフレームワークは物理ベースのデジタルツインモデルと,リアルタイム故障診断,予後,再構成を行う3つのモジュールに基づいている。
論文 参考訳（メタデータ） (2022-08-30T20:16:17Z) - Enabling Un-/Semi-Supervised Machine Learning for MDSE of the Real-World
CPS/IoT Applications [0.5156484100374059]
我々は、スマートサイバー物理システム(CPS)とIoT(Internet of Things)の現実的なユースケースシナリオに対して、ドメイン固有モデル駆動ソフトウェアエンジニアリング(MDSE)をサポートする新しいアプローチを提案する。
人工知能(AI)の本質において利用可能なデータの大部分はラベルが付けられていないと我々は主張する。したがって、教師なしおよび/または半教師なしのMLアプローチが実践的な選択である。
提案手法は,既存の最先端MDSEツールと完全に実装され,CPS/IoTドメインを提供する。
論文 参考訳（メタデータ） (2021-07-06T15:51:39Z) - Assessing YOLACT++ for real time and robust instance segmentation of
medical instruments in endoscopic procedures [0.5735035463793008]
腹腔鏡下器具の画像ベースの追跡は、コンピュータおよびロボット支援手術において基本的な役割を果たす。
これまで、医療機器のセグメンテーションなどの既存のモデルは、ほとんどが2段階の検出器に基づいている。
楽器のリアルタイムインスタンスセグメンテーションを可能にするYOLACTアーキテクチャへの注意メカニズムの追加を提案する。
論文 参考訳（メタデータ） (2021-03-30T00:09:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。