Herzinsuffizienz ist durch eine geschwächte oder beschädigte Herzmuskulatur gekennzeichnet und führt zu einer allmählichen Ansammlung von Flüssigkeit in den Lungen, Beinen, Füßen und anderen Körperteilen des Patienten. Die Erkrankung ist chronisch und unheilbar und führt häufig zu Herzrhythmusstörungen oder einem plötzlichen Herzstillstand. Viele Jahrhunderte lang waren Aderlass und Blutegel die Behandlungsmethode der Wahl, die bekanntermaßen von Friseuren in Europa praktiziert wurde, in einer Zeit, in der Ärzte selten Patienten operierten.

Im 21. Jahrhundert ist die Behandlung von Herzinsuffizienz deutlich weniger mittelalterlich geworden: Heutzutage unterziehen sich Patienten einer Kombination aus einer Umstellung ihres gesunden Lebensstils, der Verschreibung von Medikamenten und verwenden manchmal Herzschrittmacher. Dennoch bleibt Herzinsuffizienz eine der Hauptursachen für Morbidität und Mortalität und stellt eine erhebliche Belastung für die Gesundheitssysteme auf der ganzen Welt dar.

„Etwa die Hälfte der Menschen, bei denen eine Herzinsuffizienz diagnostiziert wurde, sterben innerhalb von fünf Jahren nach der Diagnose“, sagt Teya Bergamaschi, MIT-Doktorandin im Labor von Nina T. und Robert H. Rubin Professor Collin Stultz und Co-Erstautor einer neuen Arbeit, die ein Deep-Studying-Modell zur Vorhersage von Herzinsuffizienz vorstellt. „Zu verstehen, wie es einem Patienten nach einem Krankenhausaufenthalt ergehen wird, ist wirklich wichtig für die Zuteilung endlicher Ressourcen.“

Das Papier, veröffentlicht in Lancet eClinical Drugs von einem Forscherteam am MIT, Mass Normal Brigham und der Harvard Medical College, stellt Ergebnisse aus der Entwicklung und Erprobung von PULSE-HF vor, was frei für „Änderungen der linksventrikulären systolischen Funktion anhand von EKGs von Patienten mit Herzinsuffizienz vorhersagen“ steht. Das Projekt wurde im Stultz-Labor durchgeführt, das dem angegliedert ist MIT Abdul Latif Jameel Klinik für maschinelles Lernen im Gesundheitswesen. Das Deep-Studying-Modell wurde an drei verschiedenen Patientenkohorten aus dem Massachusetts Normal Hospital, dem Brigham and Girls’s Hospital und MIMIC-IV (einem öffentlich zugänglichen Datensatz) entwickelt und retrospektiv getestet. Es sagt präzise Veränderungen in der linksventrikulären Ejektionsfraktion (LVEF) voraus, additionally dem Prozentsatz des Blutes, das aus der linken Herzkammer gepumpt wird.

Ein gesundes menschliches Herz pumpt bei jedem Schlag etwa 50 bis 70 Prozent des Blutes aus der linken Herzkammer aus – alles andere gilt als Zeichen eines möglichen Issues. „Das Modell nimmt ein (Elektrokardiogramm) und gibt eine Vorhersage darüber aus, ob es innerhalb des nächsten Jahres eine Ejektionsfraktion geben wird, die unter 40 Prozent fällt oder nicht“, sagt Tiffany Yau, MIT-Doktorandin in Stultz‘ Labor, die auch Mit-Erstautorin des PULSE-HF-Artikels ist. „Das ist die schwerste Untergruppe der Herzinsuffizienz.“

Wenn PULSE-HF vorhersagt, dass sich die Ejektionsfraktion eines Patienten innerhalb eines Jahres voraussichtlich verschlechtern wird, kann der Arzt den Patienten für die Nachsorge priorisieren. Dadurch können Patienten mit geringerem Risiko die Anzahl ihrer Krankenhausbesuche und den Zeitaufwand für die Anbringung von 10 Elektroden an ihrem Körper für ein 12-Kanal-EKG reduzieren. Das Modell kann auch in klinischen Umgebungen mit geringen Ressourcen eingesetzt werden, beispielsweise in Arztpraxen in ländlichen Gebieten, in denen normalerweise kein Herzsonograph für die tägliche Durchführung von Ultraschalluntersuchungen beschäftigt ist.

„Der größte Unterschied zwischen (PULSE-HF) und anderen Herzinsuffizienz-EKG-Methoden besteht darin, dass es keine Erkennung, sondern eine Prognose durchführt“, sagt Yau. In dem Artikel wird darauf hingewiesen, dass es bisher keine anderen Methoden gibt, um den künftigen LVEF-Rückgang bei Patienten mit Herzinsuffizienz vorherzusagen.

Während des Check- und Validierungsprozesses verwendeten die Forscher eine Metrik namens „Fläche unter der Receiver Working Attribute Curve“ (AUROC), um die Leistung von PULSE-HF zu messen. AUROC wird typischerweise verwendet, um die Fähigkeit eines Modells zu messen, zwischen Klassen auf einer Skala von 0 bis 1 zu unterscheiden, wobei 0,5 zufällig und 1 perfekt ist. PULSE-HF erzielte in allen drei Patientenkohorten AUROCs im Bereich von 0,87 bis 0,91.

Bemerkenswert ist, dass die Forscher auch eine Model von PULSE-HF für Einzel-EKGs entwickelt haben, was bedeutet, dass nur eine Elektrode am Körper angebracht werden muss. Während 12-Kanal-EKGs allgemein als überlegen angesehen werden, da sie umfassender und genauer sind, struggle die Leistung der Einzelkanal-Model von PULSE-HF genauso stark wie die der 12-Kanal-Model.

Trotz der eleganten Einfachheit hinter der Idee von PULSE-HF täuscht sie, wie die meisten klinischen KI-Forschungen, über eine mühsame Umsetzung hinweg. „Es hat Jahre gedauert, dieses Projekt abzuschließen“, erinnert sich Bergamaschi. „Es hat viele Iterationen durchlaufen.“

Eine der größten Herausforderungen für das Group struggle das Sammeln, Verarbeiten und Bereinigen der EKG- und Echokardiogramm-Datensätze. Während das Modell darauf abzielt, die Ejektionsfraktion eines Patienten vorherzusagen, waren die Beschriftungen für die Trainingsdaten nicht immer ohne weiteres verfügbar. Ähnlich wie ein Schüler, der aus einem Lehrbuch mit einem Lösungsschlüssel lernt, ist die Beschriftung von entscheidender Bedeutung, um maschinellen Lernmodellen dabei zu helfen, Muster in Daten korrekt zu erkennen.

Sauberer, linearer Textual content in Kind von TXT-Dateien eignet sich normalerweise am besten für das Coaching von Modellen. Aber Echokardiogrammdateien liegen typischerweise in Kind von PDFs vor, und wenn PDFs in TXT-Dateien konvertiert werden, wird der Textual content (der durch Zeilenumbrüche und Formatierungen unterbrochen wird) für das Modell schwer lesbar. Auch die Unvorhersehbarkeit realer Szenarien, etwa ein unruhiger Affected person oder eine lose Spur, beeinträchtigte die Daten. „Es gibt viele Signalartefakte, die beseitigt werden müssen“, sagt Bergamaschi. „Es ist eine Artwork endloses Kaninchenloch.“

Während Bergamaschi und Yau anerkennen, dass kompliziertere Methoden dabei helfen könnten, die Daten nach besseren Signalen zu filtern, gibt es eine Grenze für den Nutzen dieser Ansätze. „An welchem ​​Punkt hörst du auf?“ fragt Yau. „Man muss über den Anwendungsfall nachdenken – ist es am einfachsten, dieses Modell zu haben, das mit Daten funktioniert, die etwas chaotisch sind? Denn das wird es wahrscheinlich sein.“

Die Forscher gehen davon aus, dass der nächste Schritt für PULSE-HF darin bestehen wird, das Modell in einer prospektiven Studie an echten Patienten zu testen, deren zukünftige Ejektionsfraktion unbekannt ist.

Trotz der Herausforderungen, die es mit sich bringt, klinische KI-Instruments wie PULSE-HF über die Ziellinie zu bringen, einschließlich des möglichen Risikos einer Verlängerung der Doktorarbeit um ein weiteres Jahr, sind die Studenten der Meinung, dass sich die Jahre harter Arbeit gelohnt haben.

„Ich denke, die Dinge sind teilweise deshalb lohnend, weil sie herausfordernd sind“, sagt Bergamaschi. „Ein Freund sagte zu mir: ‚Wenn Sie glauben, dass Sie nach dem Abschluss Ihre Berufung finden werden, wenn Ihre Berufung wirklich eine Berufung ist, dann wird sie in dem einen weiteren Jahr, das Sie bis zum Abschluss benötigen, da sein.‘ … Die Artwork und Weise, wie wir als Forscher im (ML- und Gesundheits-)Bereich gemessen werden, unterscheidet sich von anderen Forschern im ML-Bereich. Jeder in dieser Gemeinschaft versteht die einzigartigen Herausforderungen, die hier bestehen.“

„Es gibt zu viel Leid auf der Welt“, sagt Yau, die zu Stultz‘ Labor kam, nachdem ihr bei einem Gesundheitsereignis die Bedeutung maschinellen Lernens im Gesundheitswesen klar geworden struggle. „Alles, was versucht, Leiden zu lindern, würde ich als wertvolle Nutzung meiner Zeit betrachten.“

Von Abhas Ricky, Chief Technique Officer bei Cloudera

Künstliche Intelligenz treibt die nächste Welle der Unternehmenstransformation voran, doch viele Unternehmen bleiben stecken. Bedenken hinsichtlich der Sicherheit sensibler Daten und geistigen Eigentums halten Unternehmen von der Einführung von KI ab. Laut einer aktuellen Accenture-Studie 77 % der Organisationen Es fehlen die grundlegenden Daten- und KI-Sicherheitspraktiken, die zum Schutz kritischer Modelle, Datenpipelines und Cloud-Infrastruktur erforderlich sind.

Die Lösung liegt darin, die Herangehensweise von Unternehmen an KI zu überdenken. Anstatt wise Daten auf externe Plattformen zu verschieben, sollten Unternehmen Personal AI einführen: ein Modell, bei dem Workloads innerhalb sicherer Grenzen laufen, bei dem Modelle auf die Daten verlagert werden und bei dem Unternehmen die vollständige Kontrolle behalten. Personal KI ermöglicht den Zugriff auf jede Artwork von Daten, jederzeit und in jeder Umgebung – ohne Kompromisse bei Vertrauen oder Agilität.

Personal KI: Workloads ausführen, ohne Daten nach außen zu teilen

Herkömmliche KI-Ansätze erfordern häufig das Senden sensibler Informationen an externe Dienste zur Schulung und Schlussfolgerung. Dies schafft Risiken, erhöht die Latenz und erschwert Governance und Compliance. Personal KI verändert das Modell. Workloads werden überall dort ausgeführt, wo sich die Daten bereits befinden – vor Ort, in privaten oder öffentlichen Clouds oder am Edge –, ohne dass Daten außerhalb sicherer Grenzen verschoben werden müssen.

Dieser Ansatz schützt die Privatsphäre und verbessert gleichzeitig die Leistung. Es stellt sicher, dass die Daten unter Unternehmenskontrolle bleiben und komplexe Übertragungsprozesse vermieden werden. Dadurch wird Sicherheit zu einem Ermöglicher von Innovation und nicht zu einer Einschränkung.

KI bleibt balkanisiert – Warum Partnerökosysteme wichtig sind

Trotz Fortschritten wie der privaten KI bleibt jedoch eine sekundäre Herausforderung im Zusammenhang mit der Fragmentierung von Unternehmen bestehen.

Um Datensätze zu speichern, sind alle Unternehmen immer noch auf unterschiedliche Instruments angewiesen, die nicht aufeinander abgestimmt sind, wodurch Daten gefangen bleiben und die Groups nicht miteinander verbunden sind. Diese Balkanisierung entsteht, weil kein einzelner Anbieter das gesamte Spektrum der KI-Anforderungen abdecken kann. Jeder baut sein eigenes System auf, was zu einem Flickenteppich führt, der die Akzeptanz verlangsamt und das Vertrauen untergräbt.

Um diese Silos aufzubrechen, sind nicht nur einheitliche Plattformen, sondern auch starke Partnerökosysteme erforderlich. Auf dem überfüllten Technologiemarkt von heute führt kein Unternehmen isoliert Innovationen durch. Unternehmen profitieren, wenn Cloud-Anbieter, Infrastrukturunternehmen, Softwareanbieter und Integratoren zusammenarbeiten, um offene, interoperable Lösungen zu schaffen. Partnerökosysteme erweitern die Auswahl, sorgen für Flexibilität und stellen Referenzarchitekturen bereit, die Unternehmen bei der schnellen und zuverlässigen Bereitstellung unterstützen.

Ein gesundes Partnernetzwerk stellt außerdem sicher, dass KI-Workloads nahtlos in verschiedenen Umgebungen ausgeführt werden. Es fördert die Integration zwischen Datenmanagement-, Analyse- und maschinellen Lernsystemen. Anstatt Unternehmen in den geschlossenen Kreislauf eines einzigen Anbieters zu zwingen, fördern Ökosysteme Offenheit, sodass Unternehmen die Instruments auswählen können, die ihren Anforderungen am besten entsprechen, und gleichzeitig eine konsistente Governance und Sicherheit gewährleisten.

Aufbau sicherer, offener Systeme für den universellen Zugriff

Daher waren Open-Supply-Systeme noch nie so wichtig für die Behebung von Inoperabilität in verschiedenen Umgebungen. Durch den Aufbau auf offenen Requirements und Frameworks können Unternehmen strukturierte, unstrukturierte und Streaming-Daten in einer einzigen zugänglichen Struktur verbinden, ohne an proprietäre Systeme gebunden zu sein.

Offene Technologien beseitigen zwei der größten Hindernisse für den KI-Erfolg – ​​Fragmentierung und Lock-in –, indem sie Unternehmen Transparenz, Flexibilität und die Möglichkeit geben, sich mit der schnellen Forschungsgeschwindigkeit weiterzuentwickeln. Sie ermöglichen auch die Zusammenarbeit mit einer globalen Gemeinschaft, die ständig Verbesserungen vorantreibt und Innovationen stärkt, ohne die Kontrolle zu verlieren.

Open Supply ist auch eine Schlüsselkomponente der privaten KI. Sie ermöglicht es, Modelle in die Daten einzubringen, anstatt wise Daten an externe Dienste zu verschieben, und ermöglicht Unternehmen die konsistente Bereitstellung von Modellen in privaten Cloud-, öffentlichen Cloud- oder Edge-Umgebungen.

Wenn Unternehmen personal KI einführen, profitieren sie von mehreren dauerhaften Vorteilen, darunter:

• Sicherheit geht vor. Durch die Ausführung von Workloads dort, wo die Daten gespeichert sind, werden unnötige Übertragungen vermieden und das Risiko verringert.
• Freiheit zur Innovation. Open-Supply-Frameworks ermöglichen es Unternehmen, sich schnell anzupassen und die Abhängigkeit von einem einzelnen Anbieter zu vermeiden.
• Operative Agilität. Einheitliche Plattformen ermöglichen es Unternehmen, jederzeit und in jeder Umgebung auf alle Daten zuzugreifen.
• Governance durch Design. Die integrierte Aufsicht gewährleistet die Verantwortlichkeit und ermöglicht gleichzeitig eine umfassende Nutzung.

Wertschöpfung durch vertrauenswürdige, überall verfügbare KI

Da die IT-Umgebungen von Unternehmen immer komplexer und verteilter werden, ist die Dringlichkeit der Einführung von KI unbestreitbar, aber auch Bedenken hinsichtlich der Datensicherheit. Unternehmen benötigen eine zuverlässige, skalierbare Infrastruktur, die Kernabläufe unterstützt, die KI-Einführung rationalisiert und die Produktivität steigert, ohne das Vertrauen zu gefährden.

Unternehmen benötigen KI-Strategien, die es ihnen ermöglichen, Intelligenz in ihre Daten zu integrieren, wo auch immer sie sich befinden, in öffentlichen Clouds, in lokalen Umgebungen und am Netzwerkrand. Der Erfolg hängt von der Vereinheitlichung dieser Umgebungen ab, die auf Open-Supply-Grundlagen basieren, die einen Lock-in verhindern und die Flexibilität fördern. Indem Unternehmen die Kontrolle über alle Arten von Daten erlangen und starke Sicherheit und Governance einbetten, können Unternehmen mit Zuversicht Echtzeit- und Vorhersageeinblicke gewinnen. Die Unternehmen, die diesen Ansatz verfolgen, werden nicht nur die Entscheidungsfindung verändern, sondern auch die Widerstandsfähigkeit stärken, Ergebnisse verbessern und dauerhafte Wettbewerbsvorteile erzielen.

Alteryx, Inc., Salesforce, Twilio, Field, Kyndryl und Peraton arbeiten an einem gemeinsamen Transient für eine bessere KI-Regulierung

Eine Gruppe von Branchenführern der KI-Integration hat einen eingereicht Gemeinsamer Transientan die Synthetic Intelligence Job Pressure des US-Repräsentantenhauses, die sie auffordert, die Rollen und Verantwortlichkeiten für KI-Akteure in der gesamten Wertschöpfungskette neu zu definieren. Der Transient wurde der Führung des Repräsentantenhauses von Alteryx, Salesforce, Twilio, Field, Kyndryl und Peraton vorgelegt.

Bisher konzentrierten sich die meisten KI-Richtlinienvorschläge ausschließlich auf KI-Entwickler, die Grundmodelle erstellen, und auf Bereitsteller, die diese Endbenutzern zur Verfügung stellen. Der Transient betont die Notwendigkeit von Gesetzesvorschlägen, um die Komplexität des KI-Ökosystems genauer zu erfassen, und betont, wie wichtig es ist, die entscheidende Rolle von KI-Integratoren anzuerkennen – Unternehmen, die bestehende Modelle integrieren und häufig spezialisieren oder verbessern, um neue, revolutionary Anwendungen zu erstellen.

Die Auseinandersetzung mit der einzigartigen Rolle von KI-Integratoren in der US-Politik würde einen effektiveren Rahmen für diejenigen bieten, die stark an generativer KI beteiligt sind und derzeit nicht in die Beschreibung des KI-Bereitstellers oder KI-Entwicklers passen. Diese KI-Integratoren fordern, dass die US-amerikanische KI-Politik diese Marktnuancen berücksichtigt, um eine verantwortungsvolle globale KI-Innovation sicherzustellen.

Verantwortliche für öffentliche Politik und Innovation der Unternehmen, die den Transient unterzeichnet haben, betonten die Bedeutung der Unterscheidung zwischen KI-Entwicklern, -Betreibern und -Integratoren in der US-Politik und erklärten:

„KI ist nicht nur ein Werkzeug; Es ist ein Katalysator für Veränderungen, der unseren Wettbewerbsvorteil auf der globalen Bühne neu definieren kann. Um das volle Potenzial der KI auszuschöpfen, benötigen wir einen Regulierungsrahmen, der die komplexen Rollen innerhalb der KI-Wertschöpfungskette anerkennt. Als Mission Functionality Integrator und vertrauenswürdiger Accomplice von Regierungsbehörden setzt sich Peraton dafür ein, KI verantwortungsvoll in das digitale Ökosystem unseres Landes einzubinden. Wir freuen uns auf die Zusammenarbeit mit Regierungen und Branchenführern, um risikobasierte Vorschriften zu erarbeiten, die unsere Vermögenswerte schützen und gleichzeitig Innovationen fördern.“ – Chris Valentino, Chief Innovation Officer bei Peraton.

„Die KI-Wertschöpfungskette ist ein äußerst komplexes und komplexes Ökosystem mit Akteuren, die beim Einsatz generativer KI-Modelle ein Spektrum unterschiedlicher Rollen und Verantwortlichkeiten erfüllen. Um diese Komplexität genau zu erfassen und einen klaren, umfassenden und praktikablen Rahmen für die KI-Politik zu schaffen, sollten künftige Debatten die Rollen der KI-Akteure über die Betreiber und Entwickler hinaus klären, um die zahlreichen Akteure einzubeziehen, die stark an der KI beteiligt sind.“ – Tommy Ross, Leiter International Public Coverage bei Alteryx.

„Eine wirksame KI-Regulierung lässt sich nicht mit einer Einheitslösung erreichen – sie muss die unterschiedlichen Rollen entlang der KI-Wertschöpfungskette erkennen und entsprechende Leitplanken festlegen. Wir freuen uns auf unsere fortlaufende Zusammenarbeit mit Regierungs- und Branchenführern, um eine risikobasierte Regulierung zu entwickeln, die Verbraucher schützt und verantwortungsvolle KI-Innovationen fördert.“ – Hugh Gamble, Vizepräsident für Angelegenheiten und Politik der Bundesregierung bei Salesforce.  

„KI hat enorme Werte und Chancen geschaffen, dennoch gibt es eine komplexe KI-Wertschöpfungskette mit vielen Beteiligten mit unterschiedlichen Verantwortlichkeiten. Wir sind weiterhin bestrebt, mit unseren Kollegen, Führungskräften und Regierungsbeamten zusammenzuarbeiten, in der Hoffnung, einen offenen Dialog über die Rolle von KI-Integratoren zu führen, damit wir sowohl die Chancen als auch die Risiken angehen können, die vor uns liegen.“ – Curtis Swager, Vizepräsident für globale Regierungsbeziehungen und öffentliche Ordnung bei Twilio.

„Um ein nachhaltiges und verantwortungsvolles KI-Ökosystem aufzubauen, ist es wichtig, die Vielfalt der Rollen und Mitwirkenden entlang der gesamten KI-Wertschöpfungskette anzuerkennen. Durch einen risikobasierten Ansatz, der diese Komplexität berücksichtigt, können wir ein transparentes KI-Ökosystem ermöglichen und gleichzeitig Innovationen fördern.“ – Leah Perry, Vizepräsidentin für Recht, Chief Privateness Officer und International Head of Public Coverage bei Field.

„Als weltweit größter Anbieter von IT-Infrastrukturdiensten liefert Kyndryl KI im Auftrag der globalen Industrie in allen Sektoren. Während der Kongress versucht, umfassende Gesetze zur Regulierung von KI zu verfassen, erfordern die Komplexität und die unzähligen Anwendungsfälle den Enter der Unternehmen, die eine funktionale Rolle spielen im KI-Ökosystem.“ – Michael Bradshaw, International Follow Chief für Daten, Anwendungen und KI bei Kyndryl.

Melden Sie sich für die kostenlosen insideAI-Information an E-newsletter.

Begleiten Sie uns auf Twitter: https://twitter.com/InsideBigData1

Treten Sie uns auf LinkedIn bei: https://www.linkedin.com/firm/insideainews/

Begleiten Sie uns auf Fb: https://www.fb.com/insideAINEWSNOW