Northwestern Medicine bietet mit W&B zeitnahe und hochwertige Versorgung
„Die Registerkarte ‚Systeme‘ gibt uns gute Einblicke in die effiziente Ressourcenzuweisung bei gleichzeitiger Kostensenkung. Wenn die GPU-Auslastung nicht über 95 % liegt, wissen wir, dass Optimierungspotenzial besteht. Dadurch laufen unsere Experimente schneller und wir können unsere Kosten besser kontrollieren.“
Mozzi Etemadi
Anästhesist und Direktor für fortschrittliche Technologien
Innovation im Gesundheitswesen
Wenn es um die Implementierung neuer Technologien geht, ist die Gesundheitsbranche dafür bekannt, dass sie nur langsam vorankommt. Es ist ein Sektor, der traditionell Altsysteme bevorzugt, und deren Ersetzung wird oft mit der Einstellung „mehr Schaden als Nutzen“ begegnet.
Doch das Gegenteil ist bei Northwestern Medicine der Fall – einem akademischen medizinischen Zentrum, das die gemeinsame strategische Vision von Northwestern Memorial HealthCare und der Northwestern University verkörpert. Unter den über 25.000 Mitarbeitern erforscht ein kleines, multidisziplinäres Team unter der Leitung von Mozzi Etemadi, einem Anästhesisten und Direktor für fortschrittliche Technologien bei Northwestern Medicine, den Einsatz der Verarbeitung natürlicher Sprache (NLP), um Nachsorgeprozesse zu optimieren und die Behandlungsergebnisse der Patienten zu verbessern.
Verspätete und versäumte Versorgung
Ärzte verordnen ihren Patienten oft täglich Dutzende von bildgebenden Untersuchungen wie Computertomographien (CT) und Magnetresonanztomographien (MRT) als Empfehlungen zur Nachsorge. Doch angesichts der arbeitsintensiven medizinischen Tätigkeit fallen diese Empfehlungen manchmal durchs Raster, insbesondere wenn sie keine sofortigen Maßnahmen erfordern. Und um die Sache noch komplizierter zu machen, werden Patientenbefunde und Empfehlungen in langen, ausführlichen Berichten wie diesem festgehalten:
Dies wirft die Frage auf: Wie oft werden Befunde weiterverfolgt? Mozzi und sein Team fanden in der Literatur heraus, dass nur etwa zwei Drittel der Empfehlungen zur Weiterverfolgung befolgt werden, und das ist leider normalerweise das beste Szenario. Solche Fehler können für einen Patienten schlimme Folgen haben.
Hier nur ein Beispiel: Ein Arzt empfiehlt einem Patienten, in zwölf Monaten eine CT-Untersuchung des Brustkorbs durchführen zu lassen, und vermerkt dies in seinem Bericht. Bleibt diese Empfehlung unbeachtet und stellt sich heraus, dass der Patient Krebs hat, verringert die verzögerte Diagnose die Erfolgsaussichten der Behandlung und verringert die Überlebenschancen des Patienten – das schlimmstmögliche Ergebnis.
Um sicherzustellen, dass die Empfehlungen zur Nachsorge befolgt werden, hat sich das Team vorgenommen, ein NLP-System zu entwickeln, das automatisch radiologische Befunde erkennt, die eine Nachsorge erfordern. Die Bereitstellung einer effizienten, zeitnahen und qualitativ hochwertigen Patientenversorgung war für das Team oberstes Ziel.
NM Ergebnismanagement KI
Obwohl Mozzi und sein Team aus erfahrenen Ingenieuren bestehen, hatte keiner von ihnen zuvor viel Erfahrung mit Deep Learning (DL). Um ihr erstes End-to-End-DL-Projekt zu erstellen, mussten sie sich mit DL vertraut machen, und W&B wurde zu einem entscheidenden Teil der Beschleunigung ihres Lernens.
„Als wir dieses Projekt starteten, hatte keiner von uns jemals zuvor ein DL-Modell erstellt. Die Verwendung von W&B beschleunigte unsere Ausbildung erheblich und half uns dabei, unser Wissen und unsere Experimente zu organisieren. Wir konnten spezifische und detaillierte Informationen zu unseren Experimenten verfolgen und schnell überprüfen, ob wir auf dem richtigen Weg waren“, sagte Mozzi.
Die intuitiven Visualisierungen von W&B und die Benutzerfreundlichkeit wurden noch wichtiger, als das Team in die Modellentwicklungsphase eintrat. Den meisten Praktikern kann ihre Erfahrung normalerweise dabei helfen, Fragen wie „Wird mein Modell konvergieren?“ oder „Müssen wir die Batchgröße ändern?“ zu beantworten. Für Ingenieure, die gerade erst mit DL beginnen, ist dies jedoch oft nicht der Fall.
Als sich das Team für den Aufbau eines transformerbasierten Modells entschied, um den Trainingsprozess besser zu parallelisieren und ein effizientes Training mit großen Datensätzen zu ermöglichen, stützte es sich auf W&B, um die Intuition erfahrener Praktiker zu entwickeln. „Wir haben unsere Arbeitsabläufe mithilfe von W&B entwickelt und im Gegenzug hat es uns geholfen, die Intuitionen zu entwickeln, die zum Verständnis des Einflusses verschiedener Parameter auf das System erforderlich sind“, erklärt Mozzi.
Epic Integration
Die Entwicklung des Modells ist nur ein Teil des Puzzles, der nächste ist die Integration in die Praxis. Epic ist ein elektronisches Patientendatensystem, das häufig in Krankenhäusern verwendet wird. Die nächste Aufgabe des Teams bestand darin, einen Weg zu finden, ihr Modell in Epic zu integrieren. Zu diesem Zweck erstellten sie eine benutzerdefinierte Schnittstelle.
Damit Sie sehen, wie einfach und effizient das neue System ist, finden Sie hier eine kurze Einführung in seine Funktionsweise.
1) Innerhalb von drei Minuten nach Abschluss eines Berichts erhält ein Arzt eine Benachrichtigung über Epic und kann auf „Folgeaufträge erteilen“ klicken, um das Ergebnismanagementsystem zu öffnen.
2 ) Anschließend wird dem Patienten in sechs bis zwölf Monaten eine Thorax-Computertomographie empfohlen. Der Arzt kann entweder auf „Akzeptieren“ klicken, um die Untersuchung automatisch anzuordnen, oder einen Bestätigungsgrund auswählen, um den Workflow-Kreislauf zu schließen.
3 ) Innerhalb von sechs bis zwölf Monaten erhält der Patient eine elektronische Nachricht und einen Brief per Post, die ihn an die anstehende Thorax-CT-Untersuchung erinnern.
Während der Entwicklung ihres KI-Systems diente W&B als einziges Aufzeichnungssystem, um alle projektbezogenen Informationen zu zentralisieren und gleichzeitig den gesamten Modellentwicklungsprozess – von den Rohdaten bis zum endgültigen Modell – sofort zu verfolgen.
„W&B hilft uns, organisiert zu bleiben und den Überblick über unsere Modelle zu behalten“, sagte Mozzi. „Unser Team wird nicht Excel oder Haftnotizen verwenden, um Experimente zu verfolgen, wenn es dafür einen viel effizienteren Weg gibt.“
Ein weiterer Aspekt von W&B, der für das Team besonders hilfreich ist, ist die Verfolgung und Visualisierung von Systemmetriken. Die Möglichkeit, die gesamte Systemauslastung im Auge zu behalten, hilft dabei, Trainingsengpässe zu identifizieren und die Verschwendung teurer Ressourcen zu vermeiden. „Die Registerkarte „Systeme“ gibt uns einen guten Einblick, wie wir Ressourcen effizient zuweisen und gleichzeitig die Kosten niedrig halten können – wenn die GPU-Auslastung nicht über 95 % liegt, wissen wir, dass es Optimierungspotenzial gibt, wodurch unsere Experimente schneller laufen und wir unsere Kosten unter Kontrolle halten können“, sagte Mozzi.
Seit der Einführung des Results Management-Workflows wurden fast 5.000 Interaktionen mit den anfordernden Ärzten durchgeführt und über 2.400 Folgeuntersuchungen bis zum Abschluss verfolgt. Das System prüft täglich Hunderte von Radiologieberichten und ermittelt täglich Dutzende von Empfehlungen für Folgeuntersuchungen. Es ist keine Übertreibung zu sagen, dass dieses System wirklich Leben rettet.
„Als Anästhesist betreue ich häufig Patienten, die sich einer Krebsoperation unterziehen. Es vergeht kein Monat, in dem ich nicht das Privileg habe, jemanden zu betreuen, bei dem unser Tool einen abnormalen Befund angezeigt hat“, sagte Mozzi.
Die Umsetzung solcher Initiativen zur Nutzung von KI und zur Lösung eines Problems im klinischen Bereich unterstreicht das größte Versprechen der KI im Gesundheitswesen – die Veränderung klinischer Arbeitsabläufe und Betriebsprozesse. Kurz gesagt, das System hat auf zwei Arten Mehrwert geschaffen: Es automatisiert die Arbeitsweise und erweitert sie.
Transformation des Gesundheitswesens
Auch wenn das Gesundheitswesen bei der Einführung von KI hinter anderen Branchen zurückbleibt, könnte es hier doch das ultimative Testgelände für KI sein, auf dem sie ihren wahren Wert in vielen Dimensionen unter Beweis stellen kann: Sie steigert die Produktivität und Reaktionsfähigkeit in einem Sektor, der mit enormen finanziellen Herausforderungen, viel Papierkram und Vorschriften konfrontiert ist, und verbessert gleichzeitig die Ergebnisse in lebenswichtigen Situationen.
Da Northwestern Medicine weiterhin führend bei der Ausschöpfung des vollen Potenzials von KI im Gesundheitswesen ist, ist eine flexible und intuitive MLOps-Plattform von entscheidender Bedeutung. Durch die Nutzung von W&B kann sich das Team auf Experimente und Innovationen konzentrieren und hat gleichzeitig die Gewissheit, dass alle Daten, Läufe, trainierten Modelle und Notizen zur Modellleistung erhalten bleiben. Darüber hinaus bietet W&B vollständige Transparenz über die Ressourcennutzung des Modells, um die Leistung deutlich zu verbessern und eine höhere Effizienz zu ermöglichen.
In einer Zeit, in der Gesundheitssysteme mit der Bereitstellung von Pflege zu kämpfen haben und mit finanziellen Belastungen konfrontiert sind, treibt Northwestern Medicine die Innovationswelle mit KI in der gesamten Branche voran, und W&B freut sich, das Unternehmen dabei zu unterstützen, an der Spitze dieses Wandels zu stehen.