Título original:
AI for Healthcare with Keras and Tensorflow 2.0: Design, Develop, and Deploy Machine Learning Models Using Healthcare Data
Contenido del libro:
Capítulo 1: Mercado sanitario: Objetivo del capítulo: Conocer cómo los submercados farmacéutico, de tecnología médica y hospitalario se unen para formar el ecosistema sanitario. Aprender cómo lo digital y lo móvil están dando forma y reformando la sanidad tradicional. Con la tecnología disponible y permitida a grandes masas a través de Internet, cosas como la telesalud se han convertido en una norma. También, qué tipo de problemas se están resolviendo a nivel industrial y en varias startups. Temas secundarios: Panorama del mercado sanitario.
⬤ Mapa de cómo las diferentes partes interesadas se unen para formar el sistema.
⬤ Visión general de Medicare.
⬤ Pago a los médicos.
⬤ Tendencias emergentes.
⬤ El papel cambiante del consumidor en la asistencia sanitaria.
⬤ Futuro de los pagos sanitarios.
⬤ Calidad de la asistencia sanitariaIndustria 4.0 y asistencia sanitaria. 0 y la asistencia sanitaria.
Capítulo 2: Multi Task Deep Learning To Predict Hospital.
Objetivo del capítulo: Un estudio de caso real que muestra cómo se pueden abordar los reingresos que cuestan miles de millones de dólares al sistema sanitario estadounidense. Se utilizarán datos de HCE para agrupar a los pacientes en función de sus características basales y factores clínicos y correlacionarlos con sus tasas de reingreso. Subtemas:
⬤ Introducción a los datos EHR.
⬤ Exploración de los conjuntos de datos MIMIC III.
⬤ Establecer un modelo de referencia para evaluar las tasas de readmisión utilizando un conjunto de modelos de clasificación con desequilibrio de clases.
⬤ Utilizar un codificador automático para crear una representación distribuida de las características.
⬤ Agrupación de pacientes.
⬤ Análisis de la tasa de readmisión basada en clusters.
⬤ Análisis comparativo entre la línea base y el modelo basado en aprendizaje profundo.
Capítulo 3: Predicción de códigos de facturación médica a partir de notas clínicasObjetivo del capítulo: Las notas clínicas contienen información sobre los procedimientos y diagnósticos prescritos por los médicos y se utilizan para una facturación precisa en el sistema médico actual, pero no están fácilmente disponibles. Hay que extraerlas manualmente para que el proceso se lleve a cabo sin problemas. Intentamos resolver este problema mediante un modelo de clasificación que utiliza los conjuntos de datos MIMIC III presentados anteriormente. Subtemas:
⬤ Introducción a los datos de estudio de caso.
⬤ Aprender sobre el aprendizaje de transferencia en PNL mediante el ajuste del modelo BERT para su tarea.
⬤ Utilización de varias arquitecturas de modelado de secuencias basadas en la atención como LSTM y transformadores para predecir códigos de facturación médica.
Capítulo 4: Extracción de datos estructurados de imágenes de recibosObjetivo del capítulo: Al igual que en cualquier otro trabajo de ventas, el representante de ventas de una empresa farmacéutica está siempre sobre el terreno. Mientras está sobre el terreno, se generan muchos recibos para el reembolso de la comida y los viajes. Resulta difícil hacer un seguimiento de las facturas que no siguen las directrices de la empresa. En este caso de estudio exploraremos cómo extraer información de imágenes de recibos y estructurar diversa información a partir de ellas. Sub Temas:
⬤ Introducción a la extracción de información a través de Imágenes.
⬤ Exploración de datos de recibos.
⬤ Uso de CNN gráfica para extraer información○.
Que es una arquitectura grafo convolucional○.
En qué se diferencia de las capas convolucionales tradicionales○.
Aplicaciones○.
Ejemplo práctico para demostrar el entrenamiento de una CNN gráfica.
⬤ Exploración de las tendencias recientes en la extracción de información de documentos con plantillas.
Capítulo 5: Manejar la disponibilidad de datos de bajo entrenamiento en el ámbito de la saludObjetivo del capítulo: La disponibilidad de datos de entrenamiento ha limitado el uso de modelos avanzados y el interés general por los problemas en el ámbito de la salud. Introducción a la técnica de supervisión débil.
