作为Virta应用人工智能团队的高级机器学习(ML)工程师，我的工作重点是开发智能系统，利用我们独特的和指数级增长的数据存储。这样的系统以ML算法为核心，可以在任何业务领域提供帮助。目前，我专注于为提供护理的临床医生和逆转糖尿病的患者构建增强治疗的系统。
维尔塔的竞争优势之一是我们的精英教练组的专业知识。我们的教练每天都站在逆转糖尿病的第一线，通过回答问题、提供鼓励、提供反馈(例如排除血糖等生物标志物的故障)，并通过各种其他方式实现个性化治疗，以满足个别患者的需求，弥合信息与实施之间的差距。我们在招聘教练的过程中有很高的门槛，以确保病人得到一流的护理。为了成功扩大规模，我们必须帮助我们出色的教练满足患者的需求，在正确的时间将他们的注意力引导到特定的患者身上。
我们的教练以两种方式与患者接触:被动护理和主动护理。反应性保健教练参与是为了回应患者明确的支持要求，例如回答患者关于饮食选择或最近血酮值的问题。主动关心教练的参与不是对病人明确要求的回应。例如，在注意到血糖值记录不足时伸出援手，或者庆祝一项成就(例如药物减少、糖尿病逆转或体重减轻)。虽然反应性护理有助于满足即时护理需求，但它依赖于患者发起对话。有时病人要么没有意识到他们需要帮助，要么觉得要求帮助不舒服。通过提供积极主动的护理，教练在问题第一次出现时迅速介入，并提供稳定的鼓励，以保持高度的动力。我们的NPS和其他调查数据证实，积极主动的护理是我们与患者的区别之一，他们反复强调他们多么喜欢听到积极主动的反馈，在不得不提出要求之前得到支持，以及有人庆祝他们的成就。
积极主动的护理虽然在美国医疗保健中可能没有得到重视，但这并不是一个新想法。许多医院系统和健康计划一直在推广癌症筛查和病例管理等伟德国际亚洲欢迎您主动护理。如果他们能及早发现问题，并在健康问题失控之前解决问题，就能改善结果，预防代价高昂、更严重的健康问题。在Virta，通过我们的提供者和健康教练团队的临床专家与我们的工程、应用人工智能和数据科学团队的技术专家之间的紧密合作，我们具有独特的地位，可以改善主动护理。我们一起开发了人工智能系统，可以梳理来自数千名患者的去识别数据(即信息、生物标记物、实验室、结果)，识别那些将受益于主动护理的人，并每天相应地提醒教练。
随着这些警报变得更加精细，它们赋予了我们的教练超能力，帮助他们准确地知道何时接触特定的患者。如果没有技术的帮助，教练需要花费大量的时间来筛选所有的患者记录并发现潜在的问题。生成基于ml的主动警报可能会有所帮助，但需要解决一个金发姑娘问题——我们需要“恰到好处”的警报。警报过少意味着我们会错过病人，他们可能会挣扎太久，从而难以纠正。太多的警报会导致误报，也意味着我们会让教练超负荷，他们会重新筛选太多的信息。我们构建了我们的主动警报管道，下面将详细描述，以解决这个问题。
我们主动警报管道的目标是:
主动警报被实现为一个面向批处理的管道，它从数据仓库中获取患者特征和事件，并定期将警报发布到管理教练队列的后端服务。在Spark中，这个队列被显示给教练。Spark是我们自主研发的，连续远程护理平台，就像一个内置远程患者监控的电子病历。虽然有许多有趣的技术片段和知识可以分享，关于我们如何在下面的图表中设计、实现和迭代不同的组件，但在这篇文章中，我将主要关注主动警报管道。
为了满足前面提到的目标，我们将管道设计为按以下顺序运行:
管道的核心是一组“患者参与机会”及其伴随的上下文，这使教练能够随时对浮出水面的警报采取行动。参与机会的定义和背景由跨职能的Virtans团队不断迭代，包括应用人工智能、运营、设计和产品。我们一起确定:保证发出警报的参与机会集，在警报旁边提供什么样的信息是有用的，以及如何从数据存储中可靠地提取这些信息。为了跟上不断变化的需求，随着我们的流程和工具的发展，我们已经在管道的开始阶段增加了数十个新的参与机会。同样重要的是，我们还根据定性和定量反馈修改和删除了不再有用的内容(下文第5节将详细介绍)。
一旦产生了大量的患者参与机会，我们发现有几个“修剪”步骤可以有效地消除那些不太相关的机会:
在修剪之后，仍然有大量的患者参与机会。如果警报量不是一个问题，那么优先级就不重要了。然而，在设计上，我们希望处于一种“广泛撒网”的情况下，并确定许多可能的参与机会，以避免患者“溜走”。因此，发现的参与机会往往比教练一天能解决的要多。下一个关键步骤是确定剩余警报的优先级，以便今天显示最具时间敏感性和最有用的警报，其他警报可以稍后显示。多年来，我们已经尝试了完全基于临床医生提供的规则的优先排序范围，到仅基于机器学习算法(具有各种优化标准)。这两种极端都不能完全满足教练的需求。我们目前使用混合规则和ML技术的混合方法，这比单独使用任何一种方法都要好。一般来说，我们会优先考虑:
一旦客户参与机会按优先级进行排名，我们就会选择排名靠前的V- - - - - -E的病人,V是体积限制(避免客车超载)。然后我们再加上E额外的患者，从剩余的参与机会中随机选择。这种探索可以加速持续学习并避免局部最优。换句话说，通过包含那些不严格遵守当前优先级计划的警报，实际上更容易确定哪些应该优先级更高，因为如果我们将它们排除在外，我们就不会了解它们。优先排序算法仍然是一个活跃的发展领域，因为我们总是希望在不牺牲护理质量的情况下提高效率。
管道的最后一步涉及以一种对教练有用的方式重新格式化警报信息。首先，将每个患者的参与机会聚合在一起，并使用一些患者上下文重新格式化，以帮助教练采取行动(例如，最近的生物标志物值的日期)。接下来，我们使用芹菜将警报信息发送到RabbitMQ，使警报队列在我们的EHR中可见。
几年前，早期版本的警报系统没有强大的反馈机制。我们主要依靠教练的定性反馈来区分哪些警报有用，哪些没用，哪些需要修改。这足以让我们开始，但随着教练团队的壮大，这就不够了。我们需要一种方法来全面收集与(1)航迹有效性(系统在一段时间内的表现如何?)及(2)通知最新情况(我们怎样才能做得更好呢?)．我们还需要反馈机制便于教练使用，并且不会妨碍他们的工作流程。在合作的努力下，我们为警报设计并实现了新的按钮(“已采取行动”和“未采取行动”)，这被证明是非常有价值的。如果警报生成是完美的，我们将在正确的时间以正确的原因识别正确的患者，教练将在100%的时间内采取行动(并且报告没有患者“溜走”)。在现实中，有时警报标准对于特定患者的特定情况可能没有意义，或者时机不太合适，教练没有采取行动。
在2021年上半年，我们加倍关注如何提高成功指标，即“已采取行动百分比”(即#“已采取行动”/ #总警报数)，并对系统进行了多次更改。例如，我们修改了一些参与机会标准，使其更加严格，因为有太多无用的警告。我们还调整了优先排序算法。在此期间，我们进行了十几种此类更改，并观察到随着警报相关性的增加，Percent Action Taken也有所增加。通过使用“警报级”和“系统级”参数构建系统，这种类型的快速、无情的迭代成为可能，这将在下一节中描述。
1 .参数化的重要性虽然我们的临床同事对如何定义参与机会标准有一些想法，但对于最有效的标准通常是不确定的。此外，随着时间的推移，参与机会的定义经常会发生变化，因为我们会继续优化Virta治疗的其他方面，并扩展到新的人群。为了实现灵活性，上述步骤1-3(即参与机会定义、修剪算法和优先级算法)都具有可调参数。管道中许多领域的参数化允许:(1)在更大范围的合理场景中进行探索和优化，以及(2)更简单的代码修改和更快速的部署周期。
#2 -调整参数时与临床专家合作的重要性:如上所述，我们持续评估汇总数据(已采取行动百分比趋势和定性教练反馈)，并有选择地删除、修改或添加新的参与机会。在某种程度上，这可能是完全自动化的，但目前我们在实施改变之前，将定量数据与教练的定性反馈混合在一起。与目前正在开发的自动驾驶汽车中的驾驶员类似，虽然许多方面都由人工智能完全控制，但对于某些类型的决策，我们希望让人类参与监控，并在必要时做出纠正。
3 .实验和迭代的重要性:如上所述，该系统成功的另一个关键因素是进行不定期的技术试点和测试，以系统地确定哪些提示、流程和功能运行良好，哪些应该放弃或修改。在一个典型的实验中，教练团队被分成不同的组，分别接收由不同配置生成的警报。通过这种方式，我们可以系统地评估变更的影响。
#4 -抓住机会取悦用户的重要性:我主要是将主动教练提醒描述为一种识别可能受益于教练帮助的患者的机制。虽然这仍然是核心目的，但我们增加了其他功能来取悦用户并提高效率。首先，我们从教练那里听到，当患者达到某些目标时，强调他们的成就(对教练和患者来说)会更有用，也更有活力。为此，我们引入了庆祝活动，当患者达到里程碑时，例如糖化血红蛋白(HbA1c)达到糖尿病阈值以下或体重下降5%时，我们会通知教练。其次，我们还使用提醒面为教练自己添加了一些个性化的“惊喜”。例如，在与临床专家和全栈工程师的合作中，我们添加了偶尔将来自患者调查的积极反馈插入教练工作流程的能力。
#5 -整合人工智能产品以获得更大的影响:最后，我要强调的是，虽然一些警报是基于明确的规则(例如“X天内没有血糖记录”)，但其他警报则稍微复杂一些，依赖于其他机器学习算法。例如，我们有模型预测辍学以及估计糖化血红蛋白(糖化血红蛋白是一项重要的糖尿病血液检测，需要去实验室检查)，这些都被纳入具体的警报，并有助于系统级的优先排序。通过整合这些不同的人工智能产品，我们可以从它们身上获得比单独工作更多的东西。
最后，我将回顾并概述四个(+2奖金)更大的主题，这些主题对于成功部署人工智能驱动的主动护理警报系统非常重要，这可以使医疗保健更加有效和高效。它们也可以转化为其他领域，比如教育，早期干预可以帮助学生实现他们的学术目标。
