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
- RO-LLaMA: Generalist LLM for Radiation Oncology via Noise Augmentation
and Consistency Regularization [51.877826904868975]
放射線腫瘍学の分野に適した汎用汎用大言語モデル(LLM)であるRO-LLaMAを提案する。
このモデルは、臨床報告の要約などの様々なタスクに適応し、放射線腫瘍専門医の幅広いワークフローをシームレスにカバーする。
また,新しいCEFTune(Consistency Embedding Fine-Tuning)技術を提案する。
論文 参考訳(メタデータ) (2023-11-27T14:49:06Z) - Yet Another ICU Benchmark: A Flexible Multi-Center Framework for
Clinical ML [0.8458496687170665]
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) - Extending Process Discovery with Model Complexity Optimization and
Cyclic States Identification: Application to Healthcare Processes [62.997667081978825]
モデル最適化のための半自動支援を実現するプロセスマイニング手法を提案する。
所望の粒度で生モデルを抽象化するモデル単純化手法が提案されている。
医療分野の異なるアプリケーションから得られた3つのデータセットを用いて、技術的ソリューションの能力を実証することを目的としている。
論文 参考訳(メタデータ) (2022-06-10T16:20:59Z) - Scanflow: A multi-graph framework for Machine Learning workflow
management, supervision, and debugging [0.0]
本稿では,エンドツーエンドの機械学習ワークフロー管理を支援するコンテナ化指向グラフフレームワークを提案する。
このフレームワークは、コンテナ内でMLを定義してデプロイし、メタデータを追跡し、本番環境での振る舞いを確認し、学習された知識と人為的な知識を使用してモデルを改善する。
論文 参考訳(メタデータ) (2021-11-04T17:01:12Z) - Learning Multi-Objective Curricula for Deep Reinforcement Learning [55.27879754113767]
深部強化学習(DRL)のサンプル効率と最終性能を向上させるために,各種自動カリキュラム学習(ACL)手法が提案されている。
本稿では,多目的だがコヒーレントなカリキュラムを作成するための統合された自動カリキュラム学習フレームワークを提案する。
既存の手設計のカリキュラムパラダイムに加えて,抽象カリキュラムを学習するためのフレキシブルなメモリ機構を設計する。
論文 参考訳(メタデータ) (2021-10-06T19:30:25Z) - Multi Agent System for Machine Learning Under Uncertainty in Cyber
Physical Manufacturing System [78.60415450507706]
近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。
ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。
本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
論文 参考訳(メタデータ) (2021-07-28T10:28:05Z) - 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) - Serverless on FHIR: Deploying machine learning models for healthcare on
the cloud [3.383942690870476]
デジタルヘルスのためのクラウドベースのモデルデプロイメントのための機能的分類法と4層アーキテクチャを導入する。
このアーキテクチャをServerless on FHIRと呼び、EMRや可視化ツールといった下流システムで使用可能なデジタルヘルスアプリケーションをデプロイするための標準として提案します。
論文 参考訳(メタデータ) (2020-06-08T16:57:30Z)
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。