Local blog for Italian speaking developers
Ottimizzare i dati sanitari con il machine learning
28 marzo 2018
Pubblicato da Patrik Sundberg, Software Engineer e Eyal Oren, Product Manager, Google Brain Team
Negli ultimi 10 anni, i dati relativi all'assistenza sanitaria sono passati da prevalentemente cartacei a
quasi completamente digitalizzati
nelle cartelle cliniche elettroniche. Ma dare un senso a questi dati non è semplice, per diversi motivi. Innanzitutto, non esiste una rappresentazione comune dei dati tra i fornitori: ognuno struttura i propri dati in modo diverso. Secondo, anche i siti che utilizzano lo stesso fornitore possono differire in modo significativo, ad esempio, utilizzando codici diversi per lo stesso farmaco. Terzo, i dati possono essere presenti su svariate tabelle, alcune contenenti le visite, alcune i risultati di laboratorio e altre ancora i segni vitali.
Lo standard di
Fast Healthcare Interoperability Resources
(FHIR) punta a risolvere la maggior parte di queste problematiche: offre un modello di dati solido ma estensibile, basato su standard Web consolidati, che sta rapidamente diventando lo
standard de-facto
sia per quanto riguarda le singole cartelle che per l'
accesso ai dati in blocco
. Per abilitare il
machine learning su larga scala
, avevamo bisogno di apportare altri miglioramenti: implementazioni in vari linguaggi di programmazione, un modo efficiente per serializzare grandi quantità di dati su disco e una rappresentazione che consentisse l'analisi di grandi set di dati.
Oggi siamo lieti di offrire l'implementazione del
Protocol Buffer
open source
dello standard FHIR che risolve questi problemi. La versione corrente supporta Java, e il supporto per C ++, Go e Python seguiranno presto. Seguirà anche a breve il supporto per i profili oltre agli strumenti per convertire i dati legacy in FHIR.
FHIR come modello dei dati principali
Negli ultimi anni, durante la nostra
collaborazione
con centri medici accademici per applicare il machine learning alle cartelle mediche de-identificate, è risultato evidente che dovevamo risolvere la complessità dei dati sanitari senza esitazioni. Infatti, affinché il machine learning sia efficace per le cartelle mediche, dobbiamo possedere un quadro completo dell'anamnesi di ciascun paziente. E come bonus, vogliamo una rappresentazione dei dati che sia direttamente applicabile in un contesto clinico.
Anche se lo standard FHIR soddisfa la maggior parte delle nostre esigenze, rendendo la gestione dei dati sanitari molto più semplice rispetto alle strutture di dati "legacy" e abilitando il machine learning su larga scala indipendentemente dai fornitori, riteniamo che l'introduzione dei Protocol Buffer possa aiutare sia gli sviluppatori di applicazioni sia i ricercatori (machine learning) che adoperano FHIR.
Versione corrente dei Protocol Buffer
Ci siamo impegnati a rendere la rappresentazione dei Protocol Buffer adatta sia per l'accesso programmatico che per le query dei database. Uno degli esempi forniti mostra come caricare i dati FHIR in
BigQuery
Google Cloud e renderli disponibili per le query, e stiamo aggiungendo altri esempi caricati direttamente dall'esportazione dei dati in blocco. I nostri Protocol Buffer aderiscono allo standard FHIR (sono infatti generati automaticamente da esso) ma creano query più eleganti.
La versione corrente non include ancora il supporto per l'addestramento dei modelli
TensorFlow
ma non perderti gli aggiornamenti futuri. Miriamo a rendere il
nostro lavoro recente
il più open-source possibile per ottenere una ricerca più riproducibile e applicabile agli scenari del mondo reale. Stiamo anche lavorando a stretto contatto con i colleghi di Google Cloud su ulteriori
strumenti
per la gestione dei dati sanitari su larga scala.
Riconoscimenti
Abbiamo apprezzato le discussioni e gli utili feedback della community FHIR, tra cui quelli di
Grahame Grieve
,
Ewout Kramer
,
Josh Mandel
e di molti altri. Grazie ai nostri colleghi di
DeepMind
, al
Google Brain team
e ai nostri
collaboratori accademici
.
Etichette
Android
Firebase
Google Cloud Platform
GDL
Eventi
Google Developers Live
machine learning
App
Google Play
Chrome
Cloud
api
GDLItalia
GDE
TensorFlow
iOS
AppEngine
GDG
AMP
Cloud Functions
Google Assistant
Android Studio
BigQuery
Google Developers Expert
Università
Google AppEngine
Actions on Google
Android Wear
Deep Learning
GAE
Google Play Store
HTML5
JavaScript
Maps
AngularJS
Annunci
Cloud Machine Learning
Kubernetes
Polymer
Android Things
Community
DevTools
Google App Engine
IoT
Kotlin
intelligenza artificiale
Cloud Firestore
Entrepreneurship
Firebase Analytics
Google Cast
Google I/O
security
Dart
Drive
Google Data Studio
Google Play Games
Android O
Cloud Spanner
Cloud TPU
Compute Engine
Flutter
GSoC
Games
Google Compute Engine
Material Design
Mobile
PWA
Startup
open source
AIY Project
Apps Script
Crashlytics
Diversity
Firebase Cloud Messaging
Google Maps
Gsuite
Python
Research
VR
coding
AR
ARCore
Augmented Reality
Cardboard
Cloud AI
Dialogflow
Firebase Realtime Database
Gmail
Google Cloud Messaging
Google ContainerEngine
Google Play Console
Responsive Design
Women
beacons
cloud storage
node JS
unity
API Cloud Vision
Add-ons
Android Jetpack
Android P
AndroidDevStory
Brillo
Classroom
DevFest
Fabric
G Suite
GWT
GoLang
Google Brain
Google Container Engine
Google I/O Extended
ML kit
Mobile Sites
Prediction
Project Tango
SDK
Stackdriver
Tales
Testing
Udacity
Virtual Reality
WTM
YouTube
analytics
api.ai
courses
reti neurali
sign-in
ARkit
Android App bundle
Android Architecture
Android Architecture Components
Android Go
Android Instant App
Android Pie
AndroidTV
Angular
AutoML
Betatesting
C++
Certification
Cloud Service Platform
Cloud Shell
Community Connector
Computer Science
Converge
Conversation Design
Emulatore Android
GCE
GDD
Gboard
Glass
Go
Google App Script
Google Cloud Functions
Google Cloud billing
Google Developer Days
Google Identity Platform
Google Launchpad
Google Lens
Google Now
Google Photos
Google Plus
Google+
GoogleDevWeekly
GoogleLaunchpad
Graph
Ingress
Instant Apps
Knative
Lighthouse
Localization
Mondaygram
Monetization
NativeScript
PHA
Resonance Audio
Serverless
TensorFlow Lite
UX
WWW
Wear OS
Web
WebAssembly
authsub
botnet
cancer
chatbot
codelab
daydream
designer
hashcode
kids
maker
nearby
oauth
openid
realtime
verify apps
Archivio Blog
2019
feb
gen
2018
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2017
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2016
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2015
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2014
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
2013
dic
nov
ott
set
ago
lug
giu
mag
apr
mar
feb
gen
Feed
Follow @GoogleDevsItaly
