Mehr Kinder werden geimpft, um die Welt von heute als je zuvor, und die Prävalenz von vielen impfpräventablen Erkrankungen sank in den letzten zehn Jahren. Trotz dieser ermutigenden Zeichen, aber die Verfügbarkeit von notwendigen Impfstoffen stagniert weltweit in den letzten Jahren, nach der World Health Organisation.
Ein problem, vor allem in low-Ressource-Einstellungen, ist die Schwierigkeit, vorherzusagen, wie viele Kinder, für die Impfungen an jeder Klinik. Dies führt zu Impfstoff-Engpässen, verlassen Kinder ohne Sie kritisch zu Impfungen, oder überschüsse, die nicht verwendet werden können.
Das startup-makro-Augen versuchen zu lösen dieses problem mit einem Impfstoff-Prognose-tool, nutzt eine einzigartige Kombination von real-time-data-Quellen, einschließlich der neuen Erkenntnisse aus der an vorderster front die Gesundheit der Arbeitnehmer. Das Unternehmen sagt dem tool, dem das Angeschlossene Gesundheits-AI-Netzwerk (KETTE), war in der Lage zu reduzieren Impfstoff Verschwendung von 96 Prozent in drei Regionen Tansanias. Nun geht es zu skalieren, dass der Erfolg über Tansania und Mosambik.
„Das Gesundheitswesen ist Komplex, und eingeladen zu werden, die Tabelle, müssen Sie den Umgang mit fehlenden Daten“, sagt makro-Augen, Chief Executive Officer Benjamin Fels, der co-gründete die Firma mit Suvrit Sra, die Esther and Harold E. Edgerton Career Development Associate Professor am MIT. „Wenn Ihr system braucht, Alter, Geschlecht, und Gewicht, um Vorhersagen zu machen, aber für eine Bevölkerung, die Sie nicht haben, Gewicht oder Alter, können Sie nicht einfach sagen, „Das system funktioniert nicht.“ Unser Gefühl ist, dass es in der Lage sein zu arbeiten, in jeder Einstellung.“
Die Firma ‚ s Ansatz zur Vorhersage ist bereits die Grundlage für ein weiteres Produkt, der patient scheduling-Plattform Sibyl, die analysiert hat über 6 Millionen Krankenhaus Termine und reduzierte Wartezeiten von mehr als 75 Prozent an einem der größten Herz-Kliniken in den USA Sybil Vorhersagen als Teil der KETTE ist breiter Prognosen.
Beide Produkte sind Schritte in Richtung makro-Augen “ größeren Ziel transforming Gesundheitsversorgung durch künstliche Intelligenz. Und indem Sie Ihre Lösungen für die Arbeit in den Regionen mit der geringsten Menge von Daten, Sie sind außerdem dabei der Bereich der KI.
„Der Stand der Technik des maschinellen Lernens ergeben sich aus der Konfrontation mit den grundlegenden Herausforderungen in den schwierigsten Umgebungen in der Welt,“ Fels sagt. „Zu engagieren, wo die Probleme sind am schwersten, und AI zu profitieren: [Es wird] smarter, schneller, billiger und widerstandsfähiger.“
Definition ein Ansatz
Sra und Fels traf sich erstmals über 10 Jahren als Fels arbeitete als Algorithmische trader für einen hedge-Fonds und Sra war visiting faculty member an der University of California in Berkeley. Die pair-Mädchen-Erfahrung Knirschen zahlen in unterschiedlichen Branchen informiert Sie auf einen Mangel in der Gesundheitsversorgung.
„Eine Frage, wurde eine obsession für mich war, „Warum wurden die Finanzmärkte fast vollständig bestimmt durch Maschinen—durch algorithmen—und Gesundheitswesen der Welt ist wahrscheinlich die am wenigsten algorithmischen Teil von jeder Leben?'“ Fels erinnert. „Warum ist die Gesundheitsversorgung nicht mehr von Daten getrieben?“
Um 2013, die co-Gründer begann mit dem Bau von machine-learning-algorithmen, gemessen ähnlichkeiten zwischen Patienten besser zu informieren, die Behandlung Pläne an der Stanford School of Medicine und anderen großen akademischen medizinischen Zentrum in New York. Es war während dieser frühen arbeiten, die der Gründer den Grundstein des Unternehmens Vorgehen.
„Es gibt Themen, die wir gegründet an der Stanford, die noch heute,“ Fels sagt. „Man ist [building systems mit] Menschen, die in der Schleife: Wir sind nicht nur zu lernen, aus den Daten, sind wir auch lernen von den Experten. Die andere ist die Mehrdimensionalität. Wir sind nicht nur auf der Suche auf eine Art von Daten; wir sind auf der Suche 10 oder 15 Arten, [einschließlich] Bilder, Zeitreihen, Informationen über Medikation, Dosierung, finanzielle Informationen, wie viel es Kosten, den Patienten oder das Krankenhaus.“
Um die Zeit der Gründer begann die Zusammenarbeit mit Stanford, Sra trat MIT Laboratory for Information and Decision Systems (LIDS) als principal research scientist. Er würde gehen, um ein Mitglied der Fakultät im Department Elektrotechnik und informatik und MIT der Institut für Daten, Systeme und Gesellschaft (IDSS). Die mission von IDS, Voraus-Bereichen wie data science und diese verwenden, um die Fortschritte der Gesellschaft zu verbessern, ausgerichtet mit Sra-mission im makro-Augen.
„Aufgrund dieser Fokussierung [Auswirkung] innerhalb IDSS, finde ich mich auf Sie zu konzentrieren, zu versuchen, die KI für soziale gut,“ Sra sagt. „Das wahre Urteil der Erfolg ist, wie viele Menschen haben wir Hilfe? Wie können wir verbessern den Zugang zur Gesundheitsversorgung für Menschen, wo immer Sie sein mögen?“
Im Jahr 2017, makro-Augen erhalten einen kleinen Zuschuss von der Bill und Melinda Gates Foundation, um zu erforschen die Möglichkeit der Verwendung von Daten aus front-line-Gesundheit-Arbeiter bauen eine vorausschauende supply chain für Impfstoffe. Es war der Beginn einer Beziehung mit der Gates-Stiftung, die stetig erweitert und das Unternehmen hat erreicht neue Meilensteine, vom Bau der genaue Impfstoff auslastungsmodelle in Tansania und Mosambik, um die Integration in supply-chains, um Impfstoff-Vorräte mehr Eigeninitiative. Um mit der letzteren mission, Prashant Yadav ist seit kurzem Mitglied der board of directors; Yadav arbeitete als professor für supply chain management mit dem mit-Zaragoza International Logistics Program für sieben Jahre und ist jetzt ein senior fellow am Center for Global Development, einer gemeinnützigen thinktank.
In Verbindung mit Ihrer Arbeit auf die KETTE, die die Firma bereitgestellt hat, ein weiteres Produkt, Sibyl, was nutzt maschinelles lernen, um zu bestimmen, wenn die Patienten sind wahrscheinlich zu zeigen, bis für Termine, zu helfen, die front-desk-Beschäftigten in Kliniken Zeitpläne erstellen. Fels sagt das system erlaubt den Krankenhäusern zu verbessern, die Effizienz Ihrer Operationen, so viel Sie ‚ ve reduziert die Durchschnittliche Zeit, die Patienten warten, um zu sehen, ein Arzt von 55 Tagen bis 13 Tagen.
Als Teil der KETTE, Sibyl ebenso verwendet eine Reihe von Daten, die Punkte zu optimieren, Zeitpläne, so dass Sie genau Vorhersagen, das Verhalten in Umgebungen, in denen andere machine-learning-Modelle, die möglicherweise zu kämpfen.
Die Gründer sind auch die Möglichkeiten anwenden, die Ansatz zu helfen, richten COVID-19-Patienten zu Kliniken mit ausreichender Kapazität. Die Arbeit entwickelt, von Sierra Leone, Chief Innovation Officer David Sengeh SM ’12 Ph. D. ’16.
Pushing frontiers
Erstellung von Lösungen für einige der meist unterentwickelten Gesundheitssysteme der Welt mag ein schwieriger Weg für ein junges Unternehmen zu etablieren, aber der Ansatz ist eine Erweiterung des makro-Augen “ – Gründung mission der Gebäude-health-care-Lösungen profitieren können Menschen auf der ganzen Welt gleichermaßen.
„Als Organisation können wir niemals davon ausgehen, die Daten werden auf uns warten,“ Fels sagt. „Wir haben gelernt, dass wir müssen strategisch denken und nachdenklich darüber, wie Sie zugreifen oder Sie generieren die Daten, die wir benötigen, um unser Mandat zu erfüllen: die Lieferung des Gesundheitswesens predictive, überall.“
Der Ansatz ist auch ein guter Weg, um zu erkunden Innovationen in mathematischen Bereich haben die Gründer verbrachten Ihre Karriere arbeiten.
„Die Notwendigkeit ist absolut die Mutter der Erfindung“,“ Sra sagt. „Das ist die innovation, getrieben durch müssen.“
Und geht nach vorn, die Arbeit des Unternehmens in schwierigen Umgebungen sollten nur die Skalierung einfacher.