专栏首页arxiv.org翻译专栏针对全球健康设计的人工智能:从医疗保健数字化转型十年中学习知识(cs.CY)
原创

针对全球健康设计的人工智能:从医疗保健数字化转型十年中学习知识(cs.CY)

生活在资源有限的环境中的人的健康需求是机器学习 (ML) 和医疗保健交汇领域中一个不容忽视和研究不足的部分。虽然近年来,随着深度学习的进步,ML在卫生保健中的使用得到了进一步的普及,但低收入和中等收入国家(LMIC)在过去十年中已经在卫生保健领域经历了自身的数字化转型,通过实现移动保健(mHealth),从而达成了跨越式发展。为了引入新技术,这些国家通常采用自上而下的方法重新开始,单独实施这些技术,结果导致缺少实际应用和资源浪费。在本文中,我们从当前研究差距,以及卫生保健专业人员在资源有限的环境中的真实经验两个角度,概述了必要的考量。我们还简要概述了在 LMIC 中成功实施和部署卫生系统中技术的几个关键组成部分,包括关于机器学习解决方案的开发过程中的技术和文化考量。然后,我们利用这些经验,解决在资源有限的环境中影响较大的问题,以及 指明AI/ML 可以提供最大助益的领域。

原文标题:Artificial Intelligence for Global Health: Learning From a Decade of Digital Transformation in Health Care

原文:The health needs of those living in resource-limited settings are a vastly overlooked and understudied area in the intersection of machine learning (ML) and health care. While the use of ML in health care is more recently popularized over the last few years from the advancement of deep learning, low-and-middle income countries (LMICs) have already been undergoing a digital transformation of their own in health care over the last decade, leapfrogging milestones due to the adoption of mobile health (mHealth). With the introduction of new technologies, it is common to start afresh with a top-down approach, and implement these technologies in isolation, leading to lack of use and a waste of resources. In this paper, we outline the necessary considerations both from the perspective of current gaps in research, as well as from the lived experiences of health care professionals in resource-limited settings. We also outline briefly several key components of successful implementation and deployment of technologies within health systems in LMICs, including technical and cultural considerations in the development process relevant to the building of machine learning solutions. We then draw on these experiences to address where key opportunities for impact exist in resource-limited settings, and where AI/ML can provide the most benefit.

原文作者:Varoon Mathur, Saptarshi Purkayashtha, Judy Wawira Gichoya

原文地址:http://arxiv.org/abs/2005.10190

原创声明,本文系作者授权云+社区发表,未经许可,不得转载。

如有侵权,请联系 yunjia_community@tencent.com 删除。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 高维数据的一致且灵活的选择性估计(cs.LG)

    选择性估计旨在估计满足选择标准的数据库对象的数量。准确高效地回答这个问题对于密度估计、异常值检测、查询优化和数据集成等应用至关重要。估计问题对于大规模高维数据尤...

    Donuts_choco
  • 在存在累计前景博弈者的博弈论下的黑盒策略与平衡(cs.GT)

    偏好关系的中间属性规定了两个彩票的可能性混合应该在这两个彩票的偏好之间。它是独立属性的一种弱化形式,并且因此满足于期望效应理论(EUT)。实验中对于中间属性的违...

    Donuts_choco
  • 调整肾脏交换算法以符合人为要求 (cs.AI)

    有限资源的高效、合理配置是经济学和计算机科学中的一个经典问题。在肾脏交换中,一个中央市场制造商将活体肾脏捐献者分配给需要器官的病人。肾脏交换中的患者和捐赠者使用...

    Donuts_choco
  • 树的线性排列中边长和的变化(CS DM)

    网络科学中的一个基本问题是顶点之间的拓扑或物理距离的标准化,这就要求理解非标准化距离的变化范围。本文研究了树顶点线性排列中物理距离变化的极限。特别地,本文研究了...

    用户7454091
  • Job Prospects of AI

    Job Prospects of AI Machine learning engineer is becoming a job, whose demand ga...

    企鹅号小编
  • 【论文推荐】最新七篇推荐系统相关论文—协同度量学习、SQL-Rank、用户行为与神经网络、隐私价格、贝叶斯、 IoT、序列感知

    【导读】专知内容组整理了最近七篇推荐系统(Recommender System)相关文章,为大家进行介绍,欢迎查看! 1. Collaborative Metr...

    WZEARW
  • 【世界读书日】2018版十大引用数最高的深度学习论文集合

    量化投资与机器学习微信公众号
  • 【论文推荐】最新六篇知识图谱相关论文—全局关系嵌入、时序关系提取、对抗学习、远距离关系、时序知识图谱

    WZEARW
  • 大图像数据集:计算机视觉的胜利吗?(CS CY)

    本文中,我们调查了有问题的做法和大规模视觉数据集的后果。我们研究了广泛的问题,例如同意和正义问题,以及特定的问题,例如在数据集中包含可验证的色情图片。以Imag...

    小童
  • 【论文推荐】最新六篇推荐系统相关论文—注意力机制、多任务、协同跨网络、非结构化文本、TransRev、章节推荐

    WZEARW

扫码关注云+社区

领取腾讯云代金券