Mengatasi Persyaratan Unik MLOps untuk Layanan Kesehatan & Ilmu Hayati

Healthcare & Life Sciences (HLS) adalah kategori industri luas yang mencakup berbagai perusahaan dengan model bisnis yang sangat berbeda seperti penyedia layanan kesehatan (rumah sakit), pembayar manfaat (perusahaan asuransi), perusahaan farmasi, BioTech, dan produsen perangkat medis. Karena banyaknya data yang dihasilkan dari pasien, eksperimen, perangkat, dan “bahkan media sosial”, serta porsinya yang besar terhadap PDB AS, wilayah ini telah menjadi salah satu wilayah investasi AI terbesar selama sepuluh tahun terakhir.

Justru karena hal ini berkaitan dengan kesehatan dan kesejahteraan masyarakat, standar untuk mengoperasionalkan pembelajaran mesin jauh lebih tinggi di HLS karena adanya peningkatan validasi dan kehati-hatian. Meskipun perusahaan bioteknologi mungkin memiliki model yang berbeda dengan jaringan rumah sakit nasional, kami menemukan 3 persyaratan umum yang menjadikan AI unik di seluruh HLS:

  1. Kepatuhan terhadap peraturan: Peraturan keselamatan dan privasi berarti tim ilmu data tidak dapat memperkenalkan sembarang alat untuk menganalisis data rahasia pasien. Alat MLOps harus memenuhi semua persyaratan (seperti HIPAA), apa pun lingkungan datanya.
  2. Penjelasan dan eksperimen: Ada beberapa area di mana pendekatan ML kotak hitam dapat berhasil, namun sebagian besar peneliti dan persetujuan peraturan memerlukan penetapan kausalitas melalui eksperimen yang berkelanjutan dan bersamaan. Para ilmuwan dan peneliti data perlu dengan cepat mengidentifikasi kapan dan mengapa model yang mereka uji kembali tidak cocok dengan kondisi lapangan (misalnya, rontgen dada pada pasien yang sakit-sakitan “membuang model diagnostik awal untuk COVID”).
  3. Menganalisis kumpulan data yang besar dan tidak terstruktur secara efisien: Sebagai contoh, data tentang satu rangkaian genom manusia akan memakan waktu 200 gigabytes. Selain itu, sebagian besar data HLS tidak terstruktur, seperti catatan klinis, slide patologi digital, atau gambar sinar-X. Abstraksi data klinis dapat memperoleh manfaat dari model pemrosesan bahasa alami (NLP) kompleks yang diterapkan dengan mudah pada saluran data klinis yang besar dan kompleks atau menggunakan visi komputer (CV) untuk klasifikasi dan segmentasi data pencitraan yang dibantu AI. Namun ini adalah model komputasi yang intensif dan mungkin mahal untuk dijalankan dalam produksi

Di mana Anda dapat bergerak lebih cepat dengan ML di HLS

Terkait AI dalam layanan kesehatan, secara umum segala sesuatu yang berhubungan dengan diagnosis, terapi, dan hasil pasien, ketika AI dianggap sebagai perangkat medis, akan memiliki hambatan peraturan yang jauh lebih tinggi, terutama ketika bias dalam data pelatihan dapat menyebabkan prediksi atau rekomendasi yang kurang akurat ketika diterapkan pada kelompok minoritas. Namun AI dapat digunakan dalam banyak kasus penggunaan penelitian untuk membantu ilmuwan mendapatkan wawasan lebih cepat, sehingga mendorong efisiensi dalam pengembangan obat, desain uji klinis, dan waktu untuk memperoleh wawasan dalam penelitian/studi. Misalnya, “Pfizer” menggunakan ML untuk membersihkan data pengujian pasca-uji coba dengan cepat, menggunakan proses yang sangat manual yang biasanya memakan waktu lebih dari 30 hari hingga kurang dari 22 jam. Hal ini berkontribusi pada pengembangan vaksin mereka yang memecahkan rekor.

Bergantung pada sub-vertikal dalam HLS, kami melihat kasus penggunaan dengan adopsi ML yang dipercepat. Misalnya:

Untuk penyedia:

  • Abstraksi data klinis
  • Diagnostik untuk laporan pasien
  • Segmentasi pemindaian MRI dengan AI

Untuk farmasi/bioTek

  • Pencocokan uji klinis
  • Penemuan biomarker
  • Pembersihan data otomatis

Untuk produsen perangkat medis

  • Deteksi anomali
  • Prediksi kegagalan perangkat

Bagaimana Wallaroo dapat membantu

Kami merancang Wallaroo secara khusus untuk mengoperasionalkan ML untuk kasus penggunaan dan lingkungan yang paling menuntut, sehingga membuatnya sangat cocok untuk HLS:

Dalam hal kepatuhan terhadap peraturan, Wallaroo berjalan di infrastruktur data kesehatan Anda sendiri (perangkat keras dan perangkat lunak yang digunakan untuk mengumpulkan, menyimpan, memproses, dan mengirimkan data layanan kesehatan dengan aman). Kami tidak mengambil alih data Anda sehingga tidak ada kerentanan keamanan tambahan yang terjadi di lingkungan Anda. Selain itu, platform ini menyimpan log audit lengkap, sehingga kesimpulan dapat ditelusuri kembali ke masukan tertentu, dan ke model tertentu.

Secara lebih luas, untuk kemampuan menjelaskan dan bereksperimen, Wallaroo menyediakan pemantauan penyimpangan dan kemampuan menjelaskan secara real-time pada model kompleks dengan berbagai fitur klinis dan genom. Laporan penjelasan model dan pemecahan masalah kami, yang berjalan secara native di platform Wallaroo serta alat pelaporan pihak ketiga pilihan Anda, juga memberikan efek fitur untuk memahami fitur mana yang berkontribusi terhadap prediksi model tertentu atau sekelompok prediksi selama suatu periode. waktu, yang sangat penting ketika menjalankan model pada atau sebagai perangkat medis (yang memerlukan persetujuan FDA). Selain itu, jalur eksperimen Wallaroo memudahkan untuk membandingkan kinerja beberapa model pada data kehidupan nyata.

Dan yang terakhir, platform Wallaroo dibangun dengan mesin inferensi Rust berperforma tinggi dan dapat diskalakan yang dikhususkan untuk tugas komputasi bervolume tinggi dan cepat guna menganalisis kumpulan data besar dan tidak terstruktur secara efisien. Jadi, bahkan model “transformator NLP” yang kompleks atau model “computer vision” dengan jutaan atau bahkan miliaran parameter dapat berjalan pada CPU standar, bukan pada GPU.

Jika Anda adalah perusahaan HLS yang mencari cara lebih baik untuk menerapkan pembelajaran mesin dalam produksi, hubungi kami untuk berbicara dengan pakar.