AI na danych relacyjnych bez uczenia. Co to zmienia w zarządzaniu placówką medyczną

Większość systemów uczenia maszynowego potrzebuje jednego: zestawu danych z etykietami i czasu na trening. Dla organizacji bez działu data science to często bariera nie do przeskoczenia. NVIDIA zaprezentowała podejście o nazwie Kumo, które działa inaczej. Zamiast klasycznego modelu nadzorowanego, system korzysta z grafowych sieci neuronowych i rozumie dane relacyjne tak, jak są przechowywane w bazach danych, czyli w wielu powiązanych tabelach. Bez żmudnego przygotowywania cech, bez labeled data w tradycyjnym sensie. Wyniki na benchmarkach pokazują, że bije przy tym klasyczne podejście supervised ML.

To nie magia. Relacyjna baza danych to z natury graf: pacjent powiązany z wizytami, wizyta z rozpoznaniem, rozpoznanie z lekami, leki z dostawcą. Kumo te relacje odwzorowuje wprost i uczy się na strukturze, a nie na płaskiej tabeli przygotowanej przez analityka. Zmiana pozornie techniczna, ale konsekwencje są praktyczne.

Co to oznacza dla polskich placówek medycznych (szpitale, przychodnie, apteki, gabinety)

Polskie placówki mają dane. Każdy szpital gromadzi je od lat w systemie HIS: historia wizyt, recepty, wyniki laboratoryjne, kody ICD, rozliczenia z NFZ. Problem w tym, że żeby te dane przekuć w predykcje, trzeba było zatrudnić kogoś, kto potrafi "wypłaszczyć" relacje, dobrać cechy i wytrenować model. Przy podejściu takim jak Kumo ten etap odpada albo bardzo się skraca.

• Ryzyko ponownej hospitalizacji. Dane o poprzednich pobytach, diagnozach i lekach leżą w tabelach powiązanych ze sobą. Model działający na tej strukturze może szacować ryzyko kolejnego przyjęcia bez ręcznego budowania datasetu.
• Niestawiennictwo na wizytę. Przychodnie tracą na "no-show" realne pieniądze. Wzorce ukryte w historii wizyt konkretnego pacjenta, porze dnia, dniu tygodnia i typie specjalisty dają się eksplorować bez tygodni przygotowań.
• Zarządzanie zapasami w aptece. Rotacja leków zależy od setek powiązanych czynników. Relacyjny model widzi je razem.
• Wczesne sygnały o pogorszeniu stanu pacjenta. Wyniki badań, zlecenia i interwencje tworzą sekwencję w czasie. Właśnie tę strukturę grafowe sieci neuronowe potrafią przetwarzać.

Ważna uwaga: mówimy o kierunku i potencjale, nie o gotowej wtyczce do Medicover ani do każdego szpitala w Polsce. Kumo działa na relacyjnych bazach, ale integracja z konkretnym systemem HIS wciąż wymaga pracy. Dane muszą być spójne, co w wielu polskich placówkach jest samo w sobie projektem na miesiące.

Co się jednak naprawdę zmienia, to próg wejścia. Do tej pory predykcyjny ML w placówce wymagał analityka danych i co najmniej kilku tygodni pracy przy każdym nowym pytaniu. Jeśli systemy klasy Kumo dojrzeją i staną się dostępne przez standardowe API, placówka będzie mogła zadawać pytania swojej bazie danych, nie budując przy tym kolejnego projektu IT. To przestaje być przywilej dużych sieci, a zaczyna być możliwość dla każdej przychodni z porządnie prowadzoną bazą.

Czy warto już teraz coś zmieniać w infrastrukturze? Niekoniecznie. Warto natomiast zadbać o jedno: żeby dane w systemie były kompletne i spójne. To jedyna inwestycja, która procentuje niezależnie od tego, które narzędzie AI wygra w najbliższych latach.

Jeśli chcesz sprawdzić, czy dane Twojej placówki nadają się do tego rodzaju analizy i co już dziś można z nimi zrobić, zapraszamy na bezpłatny audyt.