Descripción
Capítulo 1: Mercado sanitario: una introducciónObjetivo del capítulo: Conocer cómo submercados como el farmacéutico, la tecnología médica y los hospitales se unen para formar el ecosistema sanitario. Aprender cómo lo digital y lo móvil están dando forma y reformando la salud tradicional. Con la tecnología disponible y accesible a grandes masas a través de internet, cosas como la telesalud se han convertido en la norma. También, qué tipo de problemas se están resolviendo a nivel de la industria y en varias startups.Subtemas: Visión general del mercado sanitario● Mapa de cómo se unen los diferentes interesados para formar el sistema● Visión general de Medicare● Pago a los médicos● Costes sanitariosTendencias emergentes● El papel cambiante del consumidor en la sanidad● Futuro de los pagos sanitarios● Calidad de la prestación de servicios sanitariosLa Industria 4.0 y la sanidad
Capítulo 2: Aprendizaje profundo multitarea para predecir las
rehospitalizacionesObjetivo del capítulo: Un estudio de caso real que muestra cómo se pueden abordar las rehospitalizaciones, que cuestan miles de millones de dólares al sistema sanitario de EE. UU. Utilizaremos datos de EHR para agrupar a los pacientes según sus características basales y factores clínicos y correlacionarlos con sus tasas de reingreso.Subtemas: ● Introducción a los datos de EHR.● Exploración de los conjuntos de datos de MIMIC III● Establecimiento de un modelo de referencia para evaluar las tasas de reingreso utilizando un conjunto de modelos de clasificación con manejo del desequilibrio de clases.● Uso de autocodificadores para crear una representación distribuida de las características.● Agrupación de pacientes● Análisis de la tasa de reingreso basada en los grupos.● Análisis comparativo entre el modelo de referencia 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 utilizando un modelo de clasificación con los conjuntos de datos MIMIC III introducidos anteriormente.Subtemas: ● Introducción a los datos del estudio de caso.● Aprender sobre la transferencia de aprendizaje en PNL ajustando el modelo BERT para su tarea.● Uso de varias arquitecturas de modelado de secuencias basadas en 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 cualquier otro trabajo de ventas, el representante de ventas de una empresa farmacéutica está siempre en el campo. Mientras está en el campo, se generan muchos recibos para el reembolso de alimentos y viajes. Resulta difícil controlar las facturas que no cumplen las directrices de la empresa. En este estudio de caso, exploraremos cómo extraer información de las imágenes de los recibos y estructurar varias informaciones a partir de ellos.Subtemas: ● Introducción a la extracción de información a través de imágenes.● Exploración de datos de recibos● Uso de GNN de grafos para extraer información○ Qué es una arquitectura convolucional de grafos○ En qué se diferencia de las capas convolucionales tradicionales○ Aplicaciones○ Ejemplo práctico para demostrar el entrenamiento de una GNN de grafos● Exploración de las tendencias recientes en la extracción de información de documentos con plantillas.
Capítulo 5: Manejo de la disponibilidad de datos de entrenamiento bajos en el sector sanitarioObjetivo 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 sanitario. Introducción a las técnicas de supervisión débil.
Autor: Anshik
Editorial: Apress
Publicado: 19/07/2021
Páginas: 381
Tipo de encuadernación: Tapa blanda
Peso: 1.52 libras
Tamaño: 10.00 pulgadas de alto x 7.00 pulgadas de ancho x 0.82 pulgadas de profundidad
ISBN13: 9781484270851
ISBN10: 1484270851
Categorías BISAC:
- Informática | Inteligencia Artificial | General
- Informática | Lenguajes | Python
Capítulo 2: Aprendizaje profundo multitarea para predecir las
rehospitalizacionesObjetivo del capítulo: Un estudio de caso real que muestra cómo se pueden abordar las rehospitalizaciones, que cuestan miles de millones de dólares al sistema sanitario de EE. UU. Utilizaremos datos de EHR para agrupar a los pacientes según sus características basales y factores clínicos y correlacionarlos con sus tasas de reingreso.Subtemas: ● Introducción a los datos de EHR.● Exploración de los conjuntos de datos de MIMIC III● Establecimiento de un modelo de referencia para evaluar las tasas de reingreso utilizando un conjunto de modelos de clasificación con manejo del desequilibrio de clases.● Uso de autocodificadores para crear una representación distribuida de las características.● Agrupación de pacientes● Análisis de la tasa de reingreso basada en los grupos.● Análisis comparativo entre el modelo de referencia 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 utilizando un modelo de clasificación con los conjuntos de datos MIMIC III introducidos anteriormente.Subtemas: ● Introducción a los datos del estudio de caso.● Aprender sobre la transferencia de aprendizaje en PNL ajustando el modelo BERT para su tarea.● Uso de varias arquitecturas de modelado de secuencias basadas en 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 cualquier otro trabajo de ventas, el representante de ventas de una empresa farmacéutica está siempre en el campo. Mientras está en el campo, se generan muchos recibos para el reembolso de alimentos y viajes. Resulta difícil controlar las facturas que no cumplen las directrices de la empresa. En este estudio de caso, exploraremos cómo extraer información de las imágenes de los recibos y estructurar varias informaciones a partir de ellos.Subtemas: ● Introducción a la extracción de información a través de imágenes.● Exploración de datos de recibos● Uso de GNN de grafos para extraer información○ Qué es una arquitectura convolucional de grafos○ En qué se diferencia de las capas convolucionales tradicionales○ Aplicaciones○ Ejemplo práctico para demostrar el entrenamiento de una GNN de grafos● Exploración de las tendencias recientes en la extracción de información de documentos con plantillas.
Capítulo 5: Manejo de la disponibilidad de datos de entrenamiento bajos en el sector sanitarioObjetivo 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 sanitario. Introducción a las técnicas de supervisión débil.
Autor: Anshik
Editorial: Apress
Publicado: 19/07/2021
Páginas: 381
Tipo de encuadernación: Tapa blanda
Peso: 1.52 libras
Tamaño: 10.00 pulgadas de alto x 7.00 pulgadas de ancho x 0.82 pulgadas de profundidad
ISBN13: 9781484270851
ISBN10: 1484270851
Categorías BISAC:
- Informática | Inteligencia Artificial | General
- Informática | Lenguajes | Python
Sobre el Autor
Anshik siente una profunda pasión por la creación y comercialización de soluciones de ciencia de datos que generen un gran valor empresarial. Actualmente trabaja como científico de datos senior en ZS Associates y es un miembro clave del equipo que desarrolla las capacidades y productos principales de ciencia de datos no estructurados. Ha trabajado en diversas industrias, como la farmacéutica, las finanzas y el comercio minorista, con un enfoque en el análisis avanzado. Además de sus actividades diarias, que implican investigar y desarrollar soluciones de IA para el impacto en el cliente, colabora con startups como consultor de estrategia de ciencia de datos. Anshik es licenciado por el Birla Institute of Technology & Science, Pilani. Es un ponente habitual en conferencias sobre IA y aprendizaje automático. Disfruta del senderismo y el ciclismo.