深度学习如何帮助将合适的患者与合适的医疗保健相匹配？
来源：CPDA数据分析师网 / 作者：数据君 / 时间：2021-01-14
这些风险评分通常是使用保险索赔来编制的
这是一个有限的数据源，它是关于过去而不是现在的一切，这不是防止重新入职或在正确的时间为正确的人提供正确护理的决策支持，其次保险公司和医师做法经常使用电话与这些人签到，这种方法听起来无效，这种方法没有提供任何线索来阻止个体健康，医疗保健提供者知道谁是病的人，但他们并不总是知道该人保持健康所需的东西，缺少的要素可能包括 去看医生的交通，药物对账，购买食物或处方的经济支持，甚至更频繁的看医生。
人工智能在医疗保健领域的承诺是帮助医生和护士-甚至保险公司-在合适的时间为合适的人提供合适的护理
这种变化-医疗保健中的个性化-是AI专门版本的承诺，即 深度学习，深度学习是机器学习的分支，深度学习系统以人脑为模型，这些人工神经网络通过将数据通过算法层进行学习，训练数据被送入底层，层中的每个节点都为数据点分配一个值，如果该值超过某个阈值，则数据继续前进到下一层， 直到到达输出层，在训练过程中，将调整这些阈值，直到对相似数据集的分析得出相似的输出为止。
卫生科技公司正在使用深度学习来预测
例如哪个人在住院期间会出现褥疮，或者哪个心脏病患者将在一周内返回医院，医生需要深度学习工具来从多个来源收集数据，寻找模式并评估患者（而非人群）级别的风险，帮助医生根据更广泛的数据集做出治疗决策，并终帮助患者获得适当的护理，构建的“认知临床成功机器”，该引擎是一个n维空间，成千上万的本征球映射到数百万的患者，这是讨论健康状况如何以及有多少因素影响健康状况的数学方法，医生可以在医院中做所有正确的事情，只是使医院之外的其他因素破坏了人的健康。
该分析基于来自个体患者的数据创建了个体风险评分
而不是基于诸如年龄和医疗状况之类的广泛人口统计学的更普遍评分，该分析考虑了一个人是朝着健康问题发展还是远离健康问题，老年人住院后可能会出现新的健康问题-与初将他们送往医院的原始疾病无关，预测技术可以帮助确定罹患此“医院后综合症”风险的人，并防止 老年患者相关的下降趋势，在美国预防与医疗保健相关的感染，该问题每年在美国影响5至10％的住院患者，这些感染已导致约99,000人死亡，并估计花费了200亿元的医疗费用。
目标客户是谁？
患者提供服务的医院或采用基于价值的合同工作的医院 ，而不是传统的按服务付费模式，这些合同将付款与患者更好的结果联系起来，而不是所提供的护理量，在过渡过程中处于领先地位，但是一些医疗保健系统也在向该系统转移，医疗保健需要新的工具和决策流程，以使这种巨大的转变摆脱传统的医疗保健业务模式。
如何使用数据分析来个性化患者治疗计划
这是我们大多数医疗保健挑战所面临的地方。对美国人口的研究表明，直接医疗仅代表影响一个人健康的因素的20％，受教育收入和家庭支持等社会经济因素影响，达到40％，其次是健康行为，占30％；而对环境的影响小，仅为10％，对家庭生活，经济状况和人的整体环境的关注是医疗保健的重大转变，在过去几年中，许多 人口健康 初创公司如雨后春笋般涌现，以帮助卫生系统解决诸如粮食不安全，药物滥用和无家可归的问题，随着越来越多的卫生系统转向按绩效付费的支付模式，而不是按服务付费，医疗保健必须找出如何应对这些“在医生办公室之外”的影响。
医疗保健系统拥有执行此操作所需的所有数据
这是一个有限的数据源，它是关于过去而不是现在的一切，这不是防止重新入职或在正确的时间为正确的人提供正确护理的决策支持，其次保险公司和医师做法经常使用电话与这些人签到，这种方法听起来无效，这种方法没有提供任何线索来阻止个体健康，医疗保健提供者知道谁是病的人，但他们并不总是知道该人保持健康所需的东西，缺少的要素可能包括 去看医生的交通，药物对账，购买食物或处方的经济支持，甚至更频繁的看医生。
人工智能在医疗保健领域的承诺是帮助医生和护士-甚至保险公司-在合适的时间为合适的人提供合适的护理
这种变化-医疗保健中的个性化-是AI专门版本的承诺，即 深度学习，深度学习是机器学习的分支，深度学习系统以人脑为模型，这些人工神经网络通过将数据通过算法层进行学习，训练数据被送入底层，层中的每个节点都为数据点分配一个值，如果该值超过某个阈值，则数据继续前进到下一层， 直到到达输出层，在训练过程中，将调整这些阈值，直到对相似数据集的分析得出相似的输出为止。
卫生科技公司正在使用深度学习来预测
例如哪个人在住院期间会出现褥疮，或者哪个心脏病患者将在一周内返回医院，医生需要深度学习工具来从多个来源收集数据，寻找模式并评估患者（而非人群）级别的风险，帮助医生根据更广泛的数据集做出治疗决策，并终帮助患者获得适当的护理，构建的“认知临床成功机器”，该引擎是一个n维空间，成千上万的本征球映射到数百万的患者，这是讨论健康状况如何以及有多少因素影响健康状况的数学方法，医生可以在医院中做所有正确的事情，只是使医院之外的其他因素破坏了人的健康。
该分析基于来自个体患者的数据创建了个体风险评分
而不是基于诸如年龄和医疗状况之类的广泛人口统计学的更普遍评分，该分析考虑了一个人是朝着健康问题发展还是远离健康问题，老年人住院后可能会出现新的健康问题-与初将他们送往医院的原始疾病无关，预测技术可以帮助确定罹患此“医院后综合症”风险的人，并防止 老年患者相关的下降趋势，在美国预防与医疗保健相关的感染，该问题每年在美国影响5至10％的住院患者，这些感染已导致约99,000人死亡，并估计花费了200亿元的医疗费用。
目标客户是谁？
患者提供服务的医院或采用基于价值的合同工作的医院 ，而不是传统的按服务付费模式，这些合同将付款与患者更好的结果联系起来，而不是所提供的护理量，在过渡过程中处于领先地位，但是一些医疗保健系统也在向该系统转移，医疗保健需要新的工具和决策流程，以使这种巨大的转变摆脱传统的医疗保健业务模式。
如何使用数据分析来个性化患者治疗计划
这是我们大多数医疗保健挑战所面临的地方。对美国人口的研究表明，直接医疗仅代表影响一个人健康的因素的20％，受教育收入和家庭支持等社会经济因素影响，达到40％，其次是健康行为，占30％；而对环境的影响小，仅为10％，对家庭生活，经济状况和人的整体环境的关注是医疗保健的重大转变，在过去几年中，许多 人口健康 初创公司如雨后春笋般涌现，以帮助卫生系统解决诸如粮食不安全，药物滥用和无家可归的问题，随着越来越多的卫生系统转向按绩效付费的支付模式，而不是按服务付费，医疗保健必须找出如何应对这些“在医生办公室之外”的影响。
医疗保健系统拥有执行此操作所需的所有数据
但他们只是不知道如何有效地使用信息，另一个关键是分析相关的数据，从一小组凌乱的数据中得出有意义的预测 ，技术可以分析来自多个来源的信息，以确定患者需要哪种护理以及特定解决方案将起作用的可能性。
免费客服热线：400-050-6600
商业联合会数据分析专业委员会
京公网安备 11010502034401号
课程体系 
试听申请 
复听申请 
在线报名 
考试大纲 
考试报名 
准考证打印 
