Doctor pressing data analytics button on virtual touch screen.1500 x 1000

Die FDA-Zulassung von ein Elektrokardiogramm (EKG) ermöglicht es, dass Vorhofflimmern-Erkennung direkt aus einem Patienten-Uhr-band ist nur ein Beispiel dafür, wie die Digitalisierung von medizinischen Geräten, ein Teil des Internet der Dinge in Bewegung, ist eine der führenden Produkt-Entwicklung und innovation in der Medizin. Während jedoch die medizinischen Geräte auf einer integrierten connected-services-Plattform, die unter anderem Komponenten für die Speicherung der Daten, Sicherheit, Barrierefreiheit, mobile Anwendungen, zusammen mit advanced analytics, erfolgreich die Umsetzung der künstlichen Intelligenz zu fahren, actionable intelligence ist weiterhin eine Herausforderung, von einer Ausführung Perspektive.

Laut Gartner sind 85% der data-science-Projekte scheitern.[1] die Erfolgreiche integration von data science in medical device Entwicklung erfordert ein Umdenken, um die Rolle von data science in product design und life-cycle-management.

Anzeigen von Daten für die Wissenschaft als ein Produkt

Während die Daten der Wissenschaft wird zu Recht als der Prozess definiert, die mit Hilfe mathematischer algorithmen zu automatisieren, vorherzusagen, zu Steuern oder zu beschreiben, die eine Interaktion in der physischen Welt, es muss betrachtet werden als ein Produkt. Diese Unterscheidung ist notwendig, da, wie bei jedem medizinischen Produkt -, Daten-Wissenschaft beginnt mit einem Bedürfnis und endet mit etwas, das bietet klaren medizinischen nutzen für Leistungserbringer und Patienten.

Es ist ein Irrtum zu beschränken, das Reich der Daten Wissenschaft nur dem entwerfen von algorithmen. Während die Daten der Wissenschaftler sind gut sitzende Modelle, deren wahren Wert kommt von der Lösung von Problemen der realen Welt ausgestattet mit Daten-Modelle.

Was es braucht, um zu entwickeln ein medizinisches Gerät-Algorithmus

Eine erfolgreiche Entwicklung von algorithmen-Prozess im data science umfasst Führungskräfte, Produkt-Ingenieure, Mediziner, und Daten-Wissenschaftler die Zusammenarbeit zu entdecken, zu entwickeln und zu liefern. Zum Beispiel, eine typische data-science-integration mit einem medizinischen Gerät Produkt umfassen würde, die vielen der folgenden Aktivitäten:

  • Die Ermittlung der medizinischen Notwendigkeit
  • Identifizierung geeigneter Variablen Daten
  • Entwicklung der richtigen analytischen Modelle
  • Konzeption-Analyse-Algorithmus-Integrationen
  • Durchführung von Tests und Verifikation
  • Die Bereitstellung von beta-Versionen
  • Echtzeit-überwachung der Ergebnisse
  • Pflege und Aktualisierung der algorithmen

Unter Berücksichtigung von Daten für die Wissenschaft als ein Produkt oder Merkmal eines Produkts bietet Unternehmen ein anderes Paradigma für die Ausführung konzentriert sich auf ein greifbares Ergebnis. Daten-Wissenschaftler ausgebildet werden, um die Entwicklung realistischer Modelle, die ein problem lösen, aber die Herausforderung, vor der viele Unternehmen stehen, ist die Operationalisierung dieser Modelle und Geld verdienen mit Ihrer Ausgänge. Darüber hinaus konzipieren Daten, die die Wissenschaft als ein Produkt zu gewährleisten, die Unternehmen konzentrieren sich auf Ihre Umsetzung, anstatt nur seine Entwicklung.

Advanced analytics

Advanced analytics muss ein Teil des Prozesses und nicht nur ein nachträglicher Einfall. Gestaltung Intelligenz (auch AI) in einem angeschlossenen medizinischen Gerät hängt davon ab, ob die Daten genutzt werden, um eine Echtzeit-Entscheidung oder ein Bericht über das Ergebnis einer Reihe von Veranstaltungen.

Die meisten Unternehmen erkennen nicht die verschiedenen Schichten der advanced analytics zu erstellen verwertbare Informationen. Dazu können gehören:

  • Einfache Regel – und komplexe Regel-basierte analytics
  • Asynchrone und event-Regeln
  • Complex event processing, und
  • Unüberwachtes lernen-Modelle

Durch das Verständnis dieser Ebenen, können die Unternehmen bewegen sich schnell in die Entwicklung von ausgereiften Analysen, die einen Einfluss vom ersten Tag an.

Als Gesellschaft reift seine analytics-system von deskriptiven und diagnostischen, prädiktiven und präskriptiven, auch sollte es sich um strategische Möglichkeiten zu Wertschöpfung, darunter die Automatisierung von Entscheidungen, die delegiert werden können, um ein smart decision-support-system.

Erfolgreiche integration

Erfolgreiche integration umfasst das anzeigen der advanced analytics als Architektur und nicht als einer einzigen Lösung umgesetzt werden. Der beste Weg, um sicherzustellen, dass Sie erfolgreich in der analytischen Entwicklung zu Folgen ist ein kontinuierlicher Prozess, der discovery, design und delivery.

Zum Beispiel, Daten Wissenschaft-Architektur kann beginnen, eine business-Frage, dass Sie, um zu bestimmen, ob Sie die richtigen Daten und können tatsächlich nutzen, dass die Daten in das bestehende IT-system. Wenn Sie keine Antwort auf diese grundlegende Frage, haben Sie Herausforderungen, die vollständig der überprüfung der analytischen Möglichkeiten zur Verfügung.

Gemeinsame Herausforderungen in der Daten Wissenschaft-Ausführung

Data science-Ausführung ist oft beeinträchtigt durch häufige Fehltritte, wie incongruence zwischen Kunden-und business-Bedürfnisse und die Lösung der technischen Probleme, wenn es zu spät ist, um einen positiven Einfluss haben. Einen anderen großen Fehler, von der business-Seite ist die Behandlung von Daten Wissenschaft wie eine einmalige Leistung und nicht es zu merken ist ein kontinuierlicher Prozess. Auch gibt es oft eine ungerechtfertigte Fixierung auf die Werkzeuge, vielmehr als Kenntnisse, Fertigkeiten und Fähigkeiten.

Eine gemeinsame Metapher,

data science ist nicht ein einziger Mond geschossen, aber Runden auf einer Strecke.

Letztlich ist Ihr Ziel, laufen zunehmend schneller um die Strecke herum.

Ein ebenso großer Nachteil zu behindern, die Ausführung Handwerker-denken, in dem design gesehen als das ultimative Ende der Daten Wissenschaft-Prozess. In der Tat, die meisten wünschenswerte Ansatz ist ein Modulares system, mit Betonung auf konsequent pflegen und verbessern, was bereits entwickelt wurde. Dies gilt insbesondere für medizinische Geräte, wo innovation und änderungen in der Technologie weiterhin zu unterstützen und besser zu ermöglichen, Patienten und ärzte.

Die Entwicklung von Produkten innerhalb des analytics

Erfolgreiche integration hängt von eindeutigen Identifikation der data-science-process-control. Zur Gestaltung und Unterstützung der angeschlossenen Geräte analytics, data science sollten klare Schritte wie

  • analytics Inkubation
  • analytics validation
  • Analysefunktionen
  • analytische Verbrauch
  • analytische Wartung.

Während die ersten beiden Schritte sind, wo ein Daten-Wissenschaftler spielen eine wichtige Rolle, die nachfolgenden drei Schritte sind, was letztlich zur erfolgreichen Umsetzung und erfordern starke organisatorische cross-funktionale Unterstützung.

Warum Unternehmen scheitern bei der integration

Unternehmen scheitern bei der erfolgreichen integration für eine Vielzahl von Gründen, angefangen von

  • Unzureichende Investitionen in Projekt-management
  • die Unfähigkeit, zu aktualisieren oder zu ersetzen analytischen Komponenten
  • das herunterspielen der Sicherheits-Bedrohungen
  • nicht mit alternativer Pläne oder eine exit-Strategie.

Zum Beispiel das update eines Herzschrittmachers erfordert die analytische Komponente aktualisiert werden, wie gut. Ähnlich, während die Daten können nicht patentiert werden, kann der Prozess sein, und dies wird die Analytik sicher.

Oft scheitern zu bekommen buy-in über die Organisation und die stärkere Ausrichtung auf die Technologie eher als business-Strategie auch die Ursachen der integration zu scheitern. Jedoch, es ist wichtig sich daran zu erinnern, dass angeschlossene Geräte und Daten Wissenschaft sind noch sehr neu und change-management ist ein gemeinsames Thema und eine Herausforderung, wenn es um Erfolg.

Für data science zu einem business-Disziplin, es sollte auch skalierbar sein. Diese beinhaltet die Messung aller Prozesse und die Verringerung der Iterationen. Es beinhaltet auch die Geselligkeit Metriken zu identifizieren, die Vorteile und Schwächen.

Ein erfolgreiches data science Praxis ergibt sich aus der nahtlose Abstimmung von Menschen, Prozessen und Technologie. Und, erfolgreiche integration ist abhängig von der Identifizierung der Unternehmensziele und der Aufbau von Analysen in den angeschlossenen Geräten. Nur dann kann eine business-Strategie, die sich aus der Entwicklung von Produkten mit Analysen, die Entwicklung von Produkten innerhalb von analytics.

Referenzen:

[1] https://www.techrepublic.com/article/85-of-big-data-projects-fail-but-your-developers-can-help-yours-succeed/