Анонімні набори даних електронних медичних записів (EHR) для проектів штучного інтелекту та машинного навчання
Комерційно ліцензовані дані електронних медичних записів, що відповідають вимогам HIPAA, — готові до клінічного штучного інтелекту, NLP та прогнозного моделювання.
Що таке дані EHR та чому вони важливі для ШІ?
Електронні медичні записи (ЕМЗ) – це поздовжні цифрові записи пацієнтів, що ведуться медичними працівниками в усіх сферах медичного обслуговування – лікарнях, амбулаторіях, спеціалізованих практиках та лабораторіях. На відміну від електронних медичних записів (ЕМЗ), які є знімками даних одного постачальника, дані ЕМЗ охоплюють весь шлях пацієнта, фіксуючи взаємодію в кількох медичних закладах.
Анонімний каталог електронних медичних карток Shaip охоплює обидва типи даних, надаючи вашій команді єдине, готове до дотримання вимог джерело для повного спектру розробки штучного інтелекту для охорони здоров'я.
Набори даних електронних медичних карток (ЕМК) містять два критично важливі типи даних для розробки штучного інтелекту: структуровані дані (демографічні дані, коди діагнозів МКХ-10, коди ДСГ, списки ліків, лабораторні показники, життєво важливі показники) та неструктуровані дані (клінічні записки, виписки, звіти про радіологію, рекомендації лікаря). Приблизно 80% інформації ЕМК є неструктурованою, що робить її основним паливом для навчання клінічних моделей НЛП.
Знайдіть потрібні дані електронних медичних карт (EHR) для вашого AI в галузі охорони здоров’я
Покращте свої моделі машинного навчання за допомогою найкращих у своєму класі навчальних даних. Shaip пропонує комерційно доступні, анонімні набори даних електронних медичних карток (EHR), розроблені спеціально для команд, що працюють зі штучним інтелектом та машинним навчанням. Наш готовий каталог даних EHR містить структуровані, готові до досліджень записи пацієнтів з понад 20 медичних спеціальностей, що охоплюють діагнози, рецепти, результати лабораторних досліджень, звіти про радіологію, історію імунізації та клінічні записи — всі вони повністю анонімні відповідно до стандартів HIPAA Safe Harbor та GDPR.
Незалежно від того, чи створюєте ви системи підтримки клінічних рішень, навчаєте моделі NLP на медичних записках, розробляєте алгоритми прогнозування захворювань чи забезпечуєте ефективність інструментів автоматизації охорони здоров'я, набори даних EHR від Shaip надають вам глибину, різноманітність та гарантію відповідності, яких потребує ваш проект штучного інтелекту. Доступні для негайного ліцензування, вибору користувацьких когорт або завантаження зразків.
Готові електронні медичні картки (EHR):
- 5.1 млн+ записів та аудіофайлів лікаря з 31 спеціальності
- Реальні медичні записи золотого стандарту для навчання Clinical NLP та інших моделей Document AI
- Інформація про метадані, як-от MRN (анонімізована), дата прийому, дата виписки, тривалість днів перебування, стать, клас пацієнта, платник, фінансовий клас, стан, розпорядження про виписку, вік, DRG, опис DRG, компенсація в доларах, AMLOS, GMLOS, ризик смертність, тяжкість захворювання, групер, поштовий індекс лікарні тощо.
- Медичні записи з різних штатів і регіонів США - Північний Схід (46%), Південь (9%), Середній Захід (3%), Захід (28%), Інші (14%)
- Медичні записи, що належать до всіх охоплених категорій пацієнтів – стаціонар, амбулаторний (клінічний, реабілітаційний, повторний, хірургічний денний догляд), невідкладна допомога.
- Медичні картки, які належать до всіх вікових груп пацієнтів <10 років (7.9%), 11-20 років (5.7%), 21-30 років (10.9%), 31-40 років (11.7%), 41-50 років (10.4%) ), 51-60 років (13.8%), 61-70 років (16.1%), 71-80 років (13.3%), 81-90 років (7.8%), 90+ років (2.4%)
- Співвідношення статі пацієнтів 46% (чоловіки) і 54% (жінки)
- Відредаговані документи, що підтверджують ідентифікаційну інформацію, дотримуються Інструкцій із Safe Harbor відповідно до HIPAA
| Місце проведення | Текстові документи |
|---|---|
| північний схід | 4,473,573 |
| Південь | 1,801,716 |
| Середній Захід | 781,701 |
| West | 1,509,109 |
| Категорія основного діагнозу | Текстові документи |
|---|---|
| Вживання алкоголю/наркотики та органічні психічні розлади, спричинені алкоголем/наркотією | 48,717 |
| Усього, включаючи все (Випадки з категорією MDC та без неї) | 8,566,687 |
| Випадки без отримання відшкодування (MDC не вказано) | 790,697 |
| Амбулаторні випадки (MDC не вказано) | 1,980,606 |
| Випадки з використанням спеціального групера, наприклад 3M (MDC не вказано) | 1,619,682 |
| Разом з MDC | 4,175,702 |
| Вживання алкоголю/наркотики або індуковані психічні розлади | 48,717 |
| Бернс | 444 |
| очей | 3,549 |
| Чоловіча репродуктивна система | 9,230 |
| Вірусні інфекції імунодефіциту людини | 12,422 |
| Мієлопроліферативні захворювання та розлади, погано диференційовані новоутворення | 15,620 |
| Фактори, що впливають на стан здоров'я та інші контакти з медичними службами | 21,294 |
| Жіноча репродуктивна система | 17,010 |
| Вухо, ніс, рот і горло | 22,987 |
| Множинні значущі травми | 27,902 |
| Серцево-судинна система | 589,730 |
| Кров, кровотворні органи та імунологічні розлади | 48,990 |
| Травми, отруєння та токсична дія наркотиків | 64,097 |
| Шкіра, підшкірна клітковина та молочні залози | 89,577 |
| Гепатобіліарна система та підшлункова залоза | 127,172 |
| Ендокринні, харчові та метаболічні захворювання та розлади | 142,808 |
| Новонароджені та інші новонароджені із захворюваннями, що виникли в перинатальному періоді | 163,605 |
| Вагітність, пологи та післяпологовий період | 165,303 |
| Нирки та сечовивідні шляхи | 209,561 |
| Психічні захворювання та розлади | 282,501 |
| Нервова система | 316,243 |
| Травна система | 346,369 |
| Кістково-м’язова система та сполучна тканина | 329,344 |
| Дихальна система | 561,983 |
| Інфекційні та паразитарні хвороби | 559,244 |
Ми маємо справу з усіма типами ліцензування даних, тобто текстовими, аудіо, відео чи зображеннями. Набори даних складаються з наборів медичних даних для ML: набір даних про диктант лікаря, клінічні нотатки лікаря, набір даних медичної розмови, набір даних медичної транскрипції, розмова лікаря і пацієнта, медичні текстові дані, медичні зображення – КТ, МРТ, ультразвук (збираються базові користувацькі вимоги) .
Реальне застосування наборів даних EHR у штучному інтелекті/машинному навчанні
- Прогнозування та діагностика захворюваньНавчати моделі штучного інтелекту для прогнозування таких захворювань, як діабет, рак та серцево-судинні захворювання.
- Підтримка клінічних рішеньНавчати моделі для виведення рекомендацій щодо діагнозу, виявлення взаємодії ліків та сприяння плануванню лікування за допомогою структурованих даних електронних медичних карток.
- Персоналізована медицинаВикористовуйте демографічні та діагностичні дані для рекомендації персоналізованих планів лікування.
- Автоматизація охорони здоров’яАвтоматизуйте адміністративні завдання, такі як планування зустрічей або виставлення рахунків, за допомогою інструментів на базі NLP, навчених на базі даних EHR.
- Прогнозне моделювання охорони здоров'я — Побудувати моделі стратифікації ризику та прогнозування захворювань, використовуючи поздовжні записи пацієнтів, коди ДСГ та оцінки тяжкості захворювання.
- Дослідження реальних даних (RWE) — Генерувати докази після виведення на ринок та аналізувати дані фармаконагляду, аналізуючи дані про результати електронних медичних карток (ЕМК) у когортах пацієнтів.
- НЛП для клінічних нотаток — Видобувати сутності, стани та процедури з неструктурованих лікарських записок та виписних листів, використовуючи анотовані навчальні дані електронної медичної картки.
Чому варто обрати Shaip для наборів даних EHR?
Експертна робоча сила
Кваліфіковані фахівці забезпечують точну та високоякісну анотацію даних.
Відповідність нормативам
Повністю анонімізовані набори даних відповідно до HIPAA та GDPR.
Конкурентне ціноутворення
Економічно ефективні рішення без шкоди для якості.
Дані без упереджень
Суворі протоколи усувають упередженість, забезпечуючи надійні результати ШІ.
Швидко та точно
Оптимізовані процеси забезпечують швидку доставку різноманітних високоякісних даних.
Наявність і доставка
Високий час роботи мережі та своєчасна доставка даних, послуг і рішень.
Перевірено у великих масштабах
Довіряють Google та провідні компанії зі штучного інтелекту в галузі охорони здоров'я. Якість контролюється процесами 6 Sigma Black Belt та експертною оцінкою медичних експертів.
Комерційно готовий
Готовий каталог електронних медичних карток Shaip ліцензований, анонімізований та готовий до завантаження або доступу через Databricks Marketplace вже сьогодні.
Повна підтримка життєвого циклу
Потрібні анотації поверх необроблених даних? Shaip пропонує деідентифікацію, клінічне маркування NER та доповнення даних від одного партнера.
Не можете знайти те, що шукаєте?
Нові стандартні набори медичних даних збираються для всіх типів даних
Зв’яжіться з нами зараз, щоб позбутися ваших турбот зі збору даних про навчання з охорони здоров’я
Часті питання (FAQ)
1. Для чого використовуються набори даних електронних медичних карток (ЕМК) у штучному інтелекті?
Набори даних електронних медичних карт використовуються для навчання моделей штучного інтелекту для прогнозування захворювань, прийняття клінічних рішень та персоналізованого лікування.
2. Як дані електронних медичних карток використовуються в проектах штучного інтелекту/машинного навчання?
Дані електронних медичних карт використовуються для навчання моделей штучного інтелекту для підтримки клінічних рішень, прогнозування захворювань, персоналізованого планування лікування та автоматизації охорони здоров'я.
3. Чи анонімізуються дані електронної медичної картки?
Так, усі дані електронних медичних карток анонімізуються для видалення персональної інформації (PII) та дотримання правил конфіденційності.
4. Які ключові компоненти даних електронної медичної картки?
Дані електронної медичної картки містять такі деталі, як демографічні дані пацієнта, історія хвороби, діагнози, плани лікування, результати лабораторних аналізів, радіологічні зображення (наприклад, КТ, МРТ, рентген), рецепти та записи про вакцинацію.
5. Чи відповідають дані HIPAA та іншим нормативним актам?
Так, дані відповідають HIPAA, GDPR та іншим глобальним стандартам конфіденційності, щоб забезпечити безпечне та етичне використання.
6. Чи можна налаштовувати набори даних EHR?
Так, набори даних можна адаптувати до конкретних медичних спеціальностей, регіонів, демографічних показників пацієнтів або вимог проекту.
7. Чи можна інтегрувати дані в мої моделі штучного інтелекту?
Так, набори даних надаються у стандартних форматах (наприклад, JSON, CSV) для легкої інтеграції в робочі процеси штучного інтелекту та машинного навчання.
8. Як забезпечується якість даних?
Дані проходять ретельну перевірку та перевірку якості, щоб забезпечити точність, узгодженість та надійність.
9. Яка вартість наборів даних електронної медичної картки (ЕМК)?
Вартість залежить від таких факторів, як обсяг даних, налаштування та обсяг проекту. Ми просимо вас заповнити форму «Зв’язатися з нами», вказавши ваші вимоги, щоб отримати найкращу цінову пропозицію.
10. Які терміни доставки наборів даних електронних медичних карток?
Терміни виконання залежать від розміру та складності проекту, але розроблені з урахуванням узгоджених термінів.
11. Як набори даних електронних медичних карток можуть покращити рішення штучного інтелекту в охороні здоров'я?
Набори даних електронних медичних карток (ЕМК) дозволяють системам штучного інтелекту забезпечувати кращу діагностику, прогнозування та персоналізоване лікування, покращуючи результати лікування пацієнтів та ефективність охорони здоров'я.
12. Чи можу я отримати персоналізовані набори даних електронної медичної картки (ЕМК)?
Так, Shaip пропонує адаптовані набори даних EHR на основі спеціалізації, вікової групи, географічного розташування або вимог проекту.
13. Яка різниця між набором даних EHR та набором даних EMR?
Електронні медичні записи (ЕМЗ) містять клінічні дані від одного постачальника; електронні медичні записи (ЕМЗ) охоплюють повний процес лікування від кількох постачальників, установ та періодів часу. Shaip надає варіанти наборів даних як ЕМЗ, так і ЕМЗ, з поздовжніми записами від кількох постачальників для складних вимог навчання ШІ.
14. Як відбувається анонімізація даних електронної медичної картки?
Усі записи анонімізуються за допомогою методу «Безпечної гавані» згідно з Правилом конфіденційності HIPAA, тобто видаляються всі 18 ідентифікаторів PHI, включаючи ім’я, дату народження, адресу та номери медичних карток. Анонімізоване поле MRN зберігається для зв’язування записів у наборі даних, що дозволяє проводити поздовжній аналіз без ризику повторної ідентифікації.
