Tổng quan về Học máy trong Chăm sóc sức khỏe - Anh-Việt

Overview of Machine Learning in Healthcare	Tổng quan về Học máy trong Chăm sóc sức khỏe
In late January 2018, I sat in a plush downtown hotel in Bangalore with one of the fine minds in healthcare, as well as a renowned international doctor and a Python programmer.	Vào cuối tháng 1 năm 2018, tôi đã ngồi trong một khách sạn sang trọng ở trung tâm thành phố Bangalore với một trong những bộ óc tốt trong lĩnh vực chăm sóc sức khỏe, cũng như một bác sĩ quốc tế nổi tiếng và một người người lập trình Python.
The discussion was around how to apply machine learning in healthcare and finance.	Cuộc thảo luận xoay quanh cách áp dụng học máy trong chăm sóc sức khỏe và tài chính.
Being one of my clients, he wanted to not just get ideas but to see in practical Python code terms how data could be put to use in some of the work that was done in his large hospital chains as well as his investments in the areas of the stock market, commodities investments, etc.	Là một trong những khách hàng của tôi, anh ấy không chỉ muốn có được ý tưởng mà còn muốn xem bằng các thuật ngữ mã Python thực tế, cách dữ liệu có thể được sử dụng trong một số công việc được thực hiện trong chuỗi bệnh viện lớn của anh ấy cũng như các khoản đầu tư của anh ấy vào các lĩnh vực thị trường chứng khoán, đầu tư hàng hóa, v.v
My discussions during the 4 days of meetings were not just intense but deep into the business domain of the healthcare industry.	Các cuộc thảo luận của tôi trong suốt 4 ngày họp không chỉ căng thẳng mà còn đi sâu vào lĩnh vực kinh doanh của ngành chăm sóc sức khỏe.
After having studied such similar patterns in many of my healthcare projects with my clients, in this book I present to you fine practical examples of implementation that are not just workable but also make a lot of business sense.	Sau khi nghiên cứu các mô hình tương tự như vậy trong nhiều dự án chăm sóc sức khỏe của tôi với khách hàng, trong cuốn sách này, tôi trình bày cho bạn những ví dụ thực tế tốt về việc triển khai không chỉ khả thi mà còn có ý nghĩa kinh doanh.
While most of the work I do falls under non-disclosure agreements, thus not allowing me to reveal the confidential stuff, in this book you will find many examples of implementation of ideas that are from the real world.	Mặc dù hầu hết công việc tôi làm đều tuân theo các thỏa thuận không tiết lộ, do đó không cho phép tôi tiết lộ những thứ bí mật, trong cuốn sách này, bạn sẽ tìm thấy nhiều ví dụ về việc triển khai các ý tưởng từ thế giới thực.
The real data has not been used.	Dữ liệu thực chưa được sử dụng.
Most of the data I present in this book is from the public domain.	Hầu hết dữ liệu tôi trình bày trong cuốn sách này là từ lĩnh vực công cộng.
I shall be using Python version 3.x compatible code throughout this book.	Tôi sẽ sử dụng mã tương thích Python phiên bản 3.x trong suốt cuốn sách này
Note: Python version 3.x has been used throughout the book.	Lưu ý: Python phiên bản 3.x đã được sử dụng trên khắp các cuốn sách.
If you have an older version of Python, the code examples may not work.	Nếu bạn có một phiên bản Python cũ, các đang ví dụ có thể không hoạt động được.
You need a version of Python 3.x or later to be able to run them successfully.	Bạn cần một phiên bản của Python 3.x hoặc mới hơn để có thể để chạy chúng (mã) thành công.
Installing Python for the Exercises	Cài đặt Python cho các bài tập
For running the exercises in this book, you will need Python 3.x.	Để chạy các bài tập trong cuốn sách này, bạn sẽ cần Python 3.x.
I recommend you use WinPython for this purpose.	Tôi khuyên bạn nên sử dụng WinPython cho mục đích này.
WinPython is a simple Python distribution, and it does not require any installation whatsoever like Anaconda.	WinPython là một bản phân phối Python đơn giản và nó không yêu cầu bất kỳ cài đặt nào như Anaconda.
You can just copy it in a folder in Windows, change your $PYTHONPATH to the folder where you copied WinPython, and you are done.	Bạn chỉ có thể sao chép nó vào một thư mục trong Windows, thay đổi $PYTHONPATH của bạn thành thư mục mà bạn đã sao chép WinPython và như vậy bạn đã hoàn tất.
WinPython has pre-installed all the major packages that we need in	WinPython đã cài đặt sẵn tất cả các gói chính mà chúng ta cần trong cuốn sách này.
this book. So you’ll save time if you use WinPython.	Vì vậy, bạn sẽ tiết kiệm thời gian nếu sử dụng WinPython.
You can download WinPython from https://winpython.github.io/ on github.	Bạn có thể tải xuống WinPython từ https://winpython.github.io/ trên github.
Choose from 64-bit or 32-bit versions of the distribution, as per your computer requirement.	Chọn trong số các phiên bản phân phối 64 bit hoặc 32 bit, tùy theo yêu cầu máy tính của bạn.
As of the writing of this book, the WinPython website has a release of WinPython 3.5.4 1Qt-64bit.	Khi viết cuốn sách này, trang web WinPython đã phát hành WinPython 3.5.4 1Qt-64bit.
All the code exercises in this book work on this version of WinPython.	Tất cả các bài tập mã trong cuốn sách này hoạt động trên phiên bản WinPython này.
If, however, you want to work on Windows, I would recommend you go with Anaconda for Python on Linux installers, given here: https://anaconda.org/anaconda/python.	Tuy nhiên, nếu bạn muốn làm việc trên Windows, tôi khuyên bạn nên sử dụng Anaconda for Python trên trình cài đặt Linux, được cung cấp tại đây: https://anaconda.org/anaconda/python
Process of Technology Adoption	Quy trình áp dụng công nghệ
Before we begin to look at how machine learning is transforming healthcare, let us look at machine learning technology and the process of its adoption.	Trước khi chúng ta bắt đầu xem xét cách học máy đang thay đổi việc chăm sóc sức khỏe, chúng ta hãy xem xét công nghệ học máy và quá trình áp dụng nó.
This process is common to all sectors and industries.	Quá trình này là chung cho tất cả các lĩnh vực và ngành công nghiệp.
I will also explain this with examples as to how the adoption process has worked in some of the areas of healthcare, retail, and finance.	Tôi cũng sẽ giải thích điều này với các ví dụ về quá trình áp dụng đã hoạt động như thế nào trong một số lĩnh vực chăm sóc sức khỏe, bán lẻ và tài chính.
As per the definition of machine learning, it is a field of computer science that gives computer systems the ability to “learn” (i.e., progressively improve performance on a specific task) with data, without being explicitly programmed.	Theo định nghĩa của học máy, nó là một lĩnh vực khoa học máy tính cung cấp cho các hệ thống máy tính khả năng “học” (tức là cải thiện dần hiệu suất của một nhiệm vụ cụ thể) với dữ liệu mà không cần được lập trình rõ ràng.
The later part of the definition, “without being explicitly programmed,” is controversial, as there are hardly any computers that do not require programming to learn.	Phần sau của định nghĩa, “không được lập trình rõ ràng”, gây tranh cãi, vì hầu như không có bất kỳ máy tính nào không yêu cầu lập trình để học.
But what this could mean for applying machine learning in business is the use of supervised and unsupervised machine learning techniques.	Nhưng điều này có nghĩa là gì để áp dụng học máy trong kinh doanh là việc sử dụng các kỹ thuật học máy có giám sát và không giám sát.
Supervised learning techniques are the ones where the computer needs references of past data and explicit categorization and explanation of patterns, trends, and facts from it.	Các kỹ thuật học tập có giám sát là những kỹ thuật mà máy tính cần tham chiếu dữ liệu quá khứ, phân loại và giải thích rõ ràng về các mẫu, xu hướng và dữ kiện từ nó.
However, for unsupervised learning this is not a requirement; we let the computer learn on its own to find the patterns, trends, and facts.	Tuy nhiên, đối với việc học không giám sát, đây không phải là một yêu cầu; chúng ta để máy tính tự học để tìm ra các mẫu, xu hướng và dữ kiện.
This is also known as auto-discovery or auto-data-mining.	Điều này còn được gọi là tự động khám phá hoặc tự động khai thác dữ liệu.
So when we use unsupervised learning, you can say that the computer program is not being explicitly programmed to learn.	Vì vậy, khi chúng ta sử dụng phương pháp học không giám sát, bạn có thể nói rằng chương trình máy tính không được lập trình rõ ràng để học.
It is learning on its own by discovering the facts, patterns, and trends.	Nó đang tự học bằng cách khám phá các sự kiện, mẫu và xu hướng.
But we do program it by selecting the algorithms it will use to discover them.	Nhưng chúng tôi lập trình nó bằng cách chọn các thuật toán mà nó sẽ sử dụng để khám phá chúng.
It does not select the algorithms by itself.	Nó không tự chọn các thuật toán.
To give you an example of how this happens, let us say we want to develop a machine learning algorithm for developing and finding out if hospital consumer data has any given patterns for predicting whether a particular outpatient would be admitted to the hospital or not.	Để cung cấp cho bạn một ví dụ về cách điều này xảy ra, giả sử chúng tôi muốn phát triển một thuật toán học máy để phát triển và tìm hiểu xem dữ liệu người tiêu dùng trong bệnh viện có bất kỳ mẫu nhất định nào để dự đoán liệu một bệnh nhân ngoại trú cụ thể có được nhập viện hay không.
Simply put, are there any hidden patterns in the data to find out the profile of a patient?	Nói một cách đơn giản, có bất kỳ mẫu ẩn nào trong dữ liệu để tìm ra hồ sơ của một bệnh nhân không?
This can be done in two ways: the first uses a human machine learning engineer who can start to look at the hospital outpatient and in-patient data sets and then see if there are any patterns; the second uses unsupervised learning and lets the computer select clustering algorithms to find out if there are any clusters in both the outpatient and in-patient data sets.	Điều này có thể được thực hiện theo hai cách: cách thứ nhất sử dụng kỹ sư máy học của con người, người có thể bắt đầu xem xét các tập dữ liệu bệnh nhân ngoại trú và nội trú của bệnh viện và sau đó xem có bất kỳ mẫu nào không; thứ hai sử dụng phương pháp học không giám sát và cho phép máy tính chọn các thuật toán phân cụm để tìm xem có bất kỳ cụm nào trong cả tập dữ liệu bệnh nhân ngoại trú và nội trú hay không.
We will look at this example with code and how to implement this in Chapter 3.	Chúng ta sẽ xem xét ví dụ này với mã và cách thực hiện điều này trong Chương 3.
Now we look at Figure 1-1 Machine learning technology adoption process below.	Bây giờ chúng ta xem Hình 1-1 Quy trình áp dụng công nghệ học máy bên dưới.
Machine learning technology adoption process	Quy trình áp dụng công nghệ máy học
Now let us look at how this machine learning technology adoption takes place in the industry.	Bây giờ chúng ta hãy xem xét việc áp dụng học máy này diễn ra như thế nào trong ngành công nghệ.
I am outlining here the process that is common to all sectors, regardless of their technological complexity.	Tôi đang phác thảo ở đây quy trình chung cho tất cả các lĩnh vực, bất kể độ phức tạp về công nghệ của chúng.
In the technology adoption diagram in Figure 1-1, you will find four phases of the technology adoption that takes place in any sector.	Trong sơ đồ áp dụng công nghệ ở Hình 1-1, bạn sẽ tìm thấy bốn giai đoạn của việc áp dụng công nghệ diễn ra trong bất kỳ lĩnh vực nào.
The first phase is quick applications.	Giai đoạn đầu là các ứng dụng nhanh chóng.
This phase is marked with certain characteristics.	Giai đoạn này được đánh dấu với những đặc điểm nhất định.
This is the stage where the business tries to apply machine learning technology on the low-hanging fruits.	Đây là giai đoạn mà doanh nghiệp cố gắng áp dụng công nghệ máy học trên những trái cây thấp
As an example, a company may want to automate its social media analysis or sentiment analysis.	Ví dụ, một công ty có thể muốn tự động hóa phân tích truyền thông xã hội hoặc phân tích tình cảm của mình.
It would also look to automate some of the less-than-1-minute tasks performed by its employees.	Nó cũng sẽ tự động hóa một số nhiệm vụ kéo dài chưa đầy 1 phút do nhân viên của mình thực hiện.
This task would be low on technological complexity.	Nhiệm vụ này sẽ ít phức tạp về mặt công nghệ.
It would also like its employees to list the repetitive tasks and to do things like root cause analysis for any failures or issues in the business systems.	Nó cũng sẽ giống như công việc của nhân viên để liệt kê các nhiệm vụ lặp đi lặp lại và làm những thứ như nguyên nhân gốc rễ phân tích đối với bất kỳ thất bại hoặc các vấn đề trong hệ thống kinh doanh.
The focus here would be hindsight.	Trọng tâm ở đây sẽ là nhận thức muộn màng.
This means that the business is trying to focus on such issues or problems and trying to address those that have caused failures in the past.	Điều này có nghĩa là doanh nghiệp đang cố gắng tập trung vào các vấn đề hoặc trở ngại đó và cố gắng giải quyết những vấn đề đã gây ra thất bại trong quá khứ.
As an early adopter of the technology, the business is still trying to understand how machine learning is going to help them advance their applications for business growth.	Là người sớm áp dụng công nghệ, doanh nghiệp vẫn đang cố gắng hiểu cách học máy sẽ giúp họ thúc đẩy các ứng dụng của mình để tăng trưởng kinh doanh
The next stage is that of early applications of machine learning, where the business will try to create learning operations.	Giai đoạn tiếp theo là các ứng dụng ban đầu của máy học, nơi doanh nghiệp sẽ cố gắng tạo ra các hoạt động học tập.
This means that they are trying to look at the past data and find out what can be learned from it.	Điều này có nghĩa là họ đang cố gắng xem xét dữ liệu quá khứ và tìm ra những gì có thể học được từ nó.
The business is also trying to address the low-efficiency test so it may carry out an efficiency audit in its operations to help find out identify those areas where it can learn and be more efficient in its business operations.	Doanh nghiệp cũng đang cố gắng giải quyết bài kiểm tra hiệu quả thấp để có thể thực hiện đánh giá hiệu quả trong hoạt động của mình nhằm giúp tìm ra những lĩnh vực mà doanh nghiệp có thể học hỏi và hiệu quả hơn trong hoạt động kinh doanh của mình.
In early applications of machine learning, the business could also think of reducing the cost of its existing operations.	Trong các ứng dụng ban đầu của máy học, doanh nghiệp cũng có thể nghĩ đến việc giảm chi phí cho các hoạt động hiện có của mình.
And in this it could also carry out cost audit for its various business operations carried out by its employees.	Và bằng cách này, nó cũng có thể thực hiện kiểm toán chi phí cho các hoạt động kinh doanh khác nhau do nhân viên của mình thực hiện.
It could, as an early adopter, target those operations that are high cost and high growth in nature.	Với tư cách là người áp dụng sớm, nó có thể nhắm mục tiêu đến những hoạt động có chi phí cao và bản chất tăng trưởng cao.
It is also to diagnose clearly the business, which would look at the business problems and the reasons for the issues it is facing and focus on how to avoid them in the future.	Nó cũng là để chẩn đoán rõ ràng công việc kinh doanh, sẽ xem xét các vấn đề kinh doanh và lý do của các vấn đề mà nó đang phải đối mặt và tập trung vào cách tránh chúng trong tương lai.
The business would also look at building problem detection systems, such as building a credit card fraud detection system.	Doanh nghiệp cũng sẽ xem xét việc xây dựng hệ thống phát hiện vấn đề, chẳng hạn như xây dựng hệ thống phát hiện gian lận thẻ tín dụng
In this case, as well as in the earlier applications, the business is trying to focus and gain hindsight.	Trong trường hợp này, cũng như trong các ứng dụng trước đó, doanh nghiệp đang cố gắng tập trung và đạt được tầm nhìn xa hơn.
Now I move to the third phase of technology adoption, where there are assisted applications of machine learning.	Bây giờ tôi chuyển sang giai đoạn thứ ba của việc áp dụng công nghệ, nơi có các ứng dụng hỗ trợ của học máy.
Here there is application of low-level intelligence to assist the experts in highly skilled tasks.	Ở đây có ứng dụng trí thông minh cấp thấp để hỗ trợ các chuyên gia trong các nhiệm vụ đòi hỏi kỹ năng cao.
The focus of automation here is to augment the human capability for business growth and advancement.	Trọng tâm của tự động hóa ở đây là nâng cao năng lực con người để phát triển và thăng tiến trong kinh doanh.
The effort here is to predict the business requirements from data and to make use of such predictions for enhancing the business.	Nỗ lực ở đây là dự đoán các yêu cầu kinh doanh từ dữ liệu và sử dụng các dự đoán đó để nâng cao hoạt động kinh doanh.
Here the focus of the business is to gain an insight and not to just automate its operations but also to gain from the hidden patterns, facts, or trends that may have been lying hidden in its data.	Ở đây, trọng tâm của doanh nghiệp là đạt được cái nhìn sâu sắc và không chỉ tự động hóa hoạt động của mình mà còn thu được từ các mô hình, sự kiện hoặc xu hướng ẩn có thể đã được giấu trong dữ liệu của doanh nghiệp.
In this stage, the organization is discovering about its customers, its employees, and also its operations and, as a result, trying to understand the things that have been troubling it in the form of business issues or problems.	Trong giai đoạn này, tổ chức đang khám phá về khách hàng, nhân viên và hoạt động của tổ chức, kết quả là, cố gắng hiểu những điều đã gây khó khăn cho tổ chức dưới dạng các vấn đề kinh doanh.
This is actually where the business organization will start to look to apply machine learning-supervised techniques with the unsupervised techniques.	Đây thực sự là nơi mà tổ chức kinh doanh sẽ bắt đầu tìm cách áp dụng các kỹ thuật được giám sát bằng máy học với các kỹ thuật không được giám sát.
Now we move on to the fourth and the last phase of technology adoption, which is independent applications of operations using machine learning.	Bây giờ chúng ta chuyển sang giai đoạn thứ tư và là giai đoạn cuối cùng của việc áp dụng công nghệ, đó là các ứng dụng độc lập của các hoạt động sử dụng máy học.
This is a stage where the automation of a company has reached its fullest capability.	Đây là giai đoạn mà tự động hóa của một công ty đã phát huy hết khả năng của nó.
Most of its operations are robotic in nature.	Hầu hết các hoạt động của nó đều mang tính chất robot.
This is also the stage where there is an expert human replacement happening.	Đây cũng là giai đoạn có sự thay thế con người có chuyên môn.
In this stage, there is also foresight and prescription on a future course of action for a particular business strategy or vision or mission.	Trong giai đoạn này, cũng có tầm nhìn xa và chỉ định về một khóa học trong hành động tương lai cho một chiến lược kinh doanh hoặc tầm nhìn hoặc sứ mệnh.
As I said before, this is the stage where the human specialist is being looked at being replaced or assisted at a high level.	Như tôi đã nói trước đây, đây là giai đoạn mà chuyên gia con người đang được xem xét để thay thế hoặc hỗ trợ ở cấp độ cao.
So here the machine learning is being used at a level where the learning by the machine is at its fullest extent.	Vì vậy, ở đây máy học đang được sử dụng ở mức độ mà máy sẽ học ở mức tối đa.
The machine is capable of learning from the huge data generation happening inside the business operations.	Máy có khả năng học tập từ thế hệ dữ liệu khổng lồ xảy ra bên trong hoạt động kinh doanh.
It has also developed skills for finding out hidden patterns, facts, and trends to prescribe to its business leaders the future course correction or actions that need to take place in order for the business to grow.	Nó cũng đã phát triển các kỹ năng để tìm ra các mô hình, sự kiện và xu hướng tiềm ẩn để quy định cho các nhà lãnh đạo doanh nghiệp của mình những điều chỉnh hoặc hành động cần thực hiện trong tương lai để doanh nghiệp phát triển.
This machine learning capability can also be used for averting any kind of debacle, such as financial crisis or scams that may happen in the future or may be reflected in the current data of the business organization.	Khả năng học máy này cũng có thể được sử dụng để ngăn chặn bất kỳ loại khó khăn nào, chẳng hạn như khủng hoảng tài chính hoặc lừa đảo có thể xảy ra trong tương lai hoặc có thể được phản ánh trong dữ liệu hiện tại của tổ chức kinh doanh.
In this stage, the business is using foresight, and it is this foresight that actually gives its operations the course correction capability.	Trong giai đoạn này, doanh nghiệp đang sử dụng tầm nhìn xa, và chính tầm nhìn xa này thực sự mang lại cho hoạt động của nó khả năng điều chỉnh hướng đi
This is the maximum extent that a business operation can use machine learning to gain advantage in the market against its competitors.	Đây là mức tối đa mà một hoạt động kinh doanh có thể sử dụng máy học để đạt được lợi thế trên thị trường so với các đối thủ cạnh tranh.
I am not suggesting that the entire company operations be run in an auto-mode.	Tôi không gợi ý rằng toàn bộ hoạt động của công ty được chạy ở chế độ tự động.
That is not what this phase represents.	Đó không phải là những gì giai đoạn này thể hiện.
This state is that of an organization that has intelligent automation in place.	Trạng thái này là trạng thái của một tổ chức có tự động hóa thông minh tại chỗ.
By intelligent automation, I mean that the key business functions, such as finance marketing purchase, are sufficiently automated to provide foresight about the business operations.	Bằng tự động hóa thông minh, ý tôi là các chức năng kinh doanh chính, chẳng hạn như mua hàng tiếp thị tài chính, được tự động hóa đủ để cung cấp tầm nhìn xa về hoạt động kinh doanh.
The company also has the ability to gather data from its business environment and to avoid any tragic incidents that may occur not due to the company’s fault but due to the nature of the business environment, such as recession, market crashes, etc.	Công ty cũng có khả năng thu thập dữ liệu từ môi trường kinh doanh của mình và để tránh bất kỳ sự cố thương tâm nào có thể xảy ra không phải do lỗi của công ty mà do bản chất của môi trường kinh doanh, chẳng hạn như suy thoái, sụp đổ thị trường, v.v.
I now present in tabular format the characteristic feature of each phase so that you gain a clear understanding of the entire process.	Bây giờ tôi trình bày dưới dạng bảng tính năng đặc trưng của từng giai đoạn để bạn hiểu rõ ràng về toàn bộ quy trình.
From Table 1-1 we can clearly see what I have described in Figure 1-1 and also understand a few more aspects of the process of technology adoption.	Từ Bảng 1-1, chúng ta có thể thấy rõ những gì tôi đã mô tả trong Hình 1-1 và cũng hiểu thêm một số khía cạnh của quá trình áp dụng công nghệ.
I will also explain this table in detail by taking examples in healthcare where some organizations have used these capabilities.	Tôi cũng sẽ giải thích chi tiết bảng này bằng cách lấy các ví dụ trong lĩnh vực chăm sóc sức khỏe nơi một số tổ chức đã sử dụng các khả năng này.
I have added the aspect of analytics in Table 1-1, which I have not discussed in this book so far, so let’s look at what these forms of analytics are and how they can be used by healthcare organizations.	Tôi đã bổ sung khía cạnh của phân tích trong Bảng 1-1, điều mà tôi chưa thảo luận trong cuốn sách này cho đến nay, vì vậy hãy xem các dạng phân tích này là gì và cách chúng có thể được các tổ chức chăm sóc sức khỏe sử dụng.
I have explained these analytics types in my book The Predictive Program Manager Volume 1 (Chapter 2, page 17) and I take the definitions of analytics from there.	Tôi đã giải thích các loại phân tích này trong cuốn sách Người quản lý chương trình dự đoán Tập 1 (Chương 2, trang 17) và tôi lấy các định nghĩa về phân tích từ đó.
Descriptive Analytics: This field of analytics is invoked to know about the answers to questions for projects that have already happened, such as “What is the status of X Project?”	Phân tích Mô tả: Trường phân tích này được sử dụng để biết về câu trả lời cho các câu hỏi cho các dự án đã xảy ra, chẳng hạn như "Trạng thái của Dự án X là gì?"
Diagnostic Analytics: This field of analytics is used to know the root cause of a phenomenon, such as a project’s success or failure.	Phân tích Chẩn đoán: Trường phân tích này được sử dụng để biết nguyên nhân gốc rễ của một hiện tượng, chẳng hạn như sự thành công hay thất bại của một dự án.
Why did the X Project fail?	Tại sao Dự án X thất bại?
What are the positive lessons we can learn from this project’s success?	Bài học tích cực mà chúng ta có thể học được từ thành công của dự án này là gì?
All such questions can be answered using diagnostic analytics.	Tất cả các câu hỏi như vậy có thể được trả lời bằng cách sử dụng phân tích chẩn đoán.
Predictive Analytics: This type of analytics is used for determining the outcome of an event in the future, such as project success or failure, project budget overrun, or a schedule slippage for an ongoing project.	Phân tích Dự đoán: Loại phân tích này được sử dụng để xác định kết quả của một sự kiện trong tương lai, chẳng hạn như sự thành công hay thất bại của dự án, ngân sách dự án bị thấu chi hoặc trượt tiến độ cho một dự án đang thực hiện.
Prescriptive Analytics: In this field of analytics the maximum value of analytics is achieved as it builds upon the prediction made based on predictive analytics, and it prescribes actions that should be taken for the future.	Phân tích Mô tả: Trong lĩnh vực phân tích này, giá trị tối đa của số liệu phân tích đạt được vì nó được xây dựng dựa trên dự đoán được thực hiện dựa trên phân tích dự đoán và nó chỉ định các hành động cần được thực hiện cho tương lai.
I have used descriptive analytics for a client in the US for detecting whether a healthcare institution was using racial discrimination practices in its operations.	Tôi đã sử dụng phân tích mô tả cho một khách hàng ở Hoa Kỳ để phát hiện xem một tổ chức chăm sóc sức khỏe có đang sử dụng các phương thức phân biệt chủng tộc trong hoạt động của mình hay không.
I was given data on the patient records and their backgrounds.	Tôi đã được cung cấp dữ liệu về hồ sơ bệnh nhân và lý lịch của họ.
Patient data was given with their racial orientation, such as Asian, Native American, etc., along with data on admissions to the ICU, operations, and admissions to hospital wards and private rooms.	Dữ liệu bệnh nhân được cung cấp với khuynh hướng chủng tộc của họ, chẳng hạn như người châu Á, người Mỹ bản địa, v.v., cùng với dữ liệu về nhập viện ICU, hoạt động, và nhập viện tại các khu bệnh viện và phòng riêng
I had to analyze and give conclusive evidence using statistical techniques as to whether there was any racial bias.	Tôi đã phải phân tích và đưa ra bằng chứng kết luận bằng cách sử dụng các kỹ thuật thống kê để xem liệu có bất kỳ thành kiến chủng tộc nào hay không.
By using descriptive analytics and looking at the patient records, I was able to say with confidence that there was not much evidence of such acts in the data.	Bằng cách sử dụng phân tích mô tả và xem hồ sơ bệnh nhân, tôi có thể tự tin nói rằng không có nhiều bằng chứng về những hành vi như vậy trong dữ liệu.
My findings were later used for evidence in legal proceedings as well.	Những phát hiện của tôi sau đó cũng được sử dụng để làm bằng chứng trong tố tụng pháp lý.
So I had to be careful to analyze data from all angles to confirm that there was no such pattern present in the data set.	Vì vậy, tôi đã phải cẩn thận phân tích dữ liệu từ mọi góc độ để xác nhận rằng không có mẫu như vậy hiện diện trong tập dữ liệu.
Diagnostic analytics is used in the life of every healthcare professional.	Phân tích chẩn đoán được sử dụng trong cuộc sống của mọi chuyên gia chăm sóc sức khỏe.
The industry is very diagnostic-driven, as it tries to diagnose the disease based on symptoms.	Các ngành công nghiệp rất (thích hợp) chẩn đoán-điều khiển, như nó cố gắng để chẩn đoán bệnh dựa trên các triệu chứng.
So building systems that diagnose issues and problems is not very difficult.	Vì vậy việc xây dựng hệ thống chẩn đoán các vấn đề và sự cố không phải là rất khó.
Genomics is a field where much diagnostic research is taking place at IBM Watson project for Genomics is at the forefront in such research.	Bộ gen là một lĩnh vực có nhiều nghiên cứu chẩn đoán đang diễn ra tại dự án IBM Watson cho Genomics đi đầu trong nghiên cứu như vậy.
IBM Watson is an analytics engine built by IBM for use in machine learning and artificial intelligence.	IBM Watson là một công cụ phân tích do IBM xây dựng để sử dụng trong học máy và trí tuệ nhân tạo.
The machine learning engine IBM Watson is helping find solutions for individual treatment of cancer patients using its huge data sets comprised of medical literature, clinical study results, pharmacopeia, etc., to find cures for cancer patients.	Công cụ máy học IBM Watson đang giúp tìm ra giải pháp điều trị riêng cho từng bệnh nhân ung thư bằng cách sử dụng bộ dữ liệu khổng lồ bao gồm tài liệu y khoa, kết quả nghiên cứu lâm sàng, dược lý học, v.v., để tìm ra phương pháp chữa trị cho bệnh nhân ung thư.
This is public research available to oncologists worldwide and is helping unearth possible new cures for various forms of cancer.	Đây là nghiên cứu công khai dành cho các bác sĩ chuyên khoa ung thư trên toàn thế giới và đang giúp khám phá các phương pháp chữa trị mới có thể có đối với các dạng ung thư khác nhau.
Predictive analytics is the next level of implementation of machine learning in the healthcare industry.	Phân tích dự đoán là cấp độ tiếp theo của việc triển khai học máy trong ngành chăm sóc sức khỏe.
In such an implementation, for example, the focus would be on predicting the likely group of people who could develop cancer.	Ví dụ, trong cách triển khai như vậy, trọng tâm sẽ là dự đoán nhóm người có khả năng mắc bệnh ung thư.
A system so developed would be able to predict accurately the age and type of people who are likely to develop a particular type of cancer.	Một hệ thống được phát triển như vậy sẽ có thể dự đoán chính xác tuổi và loại người có khả năng phát triển một loại ung thư cụ thể.
It would have the ability to create a profile of cancer patients, and as such a person comes in contact with this type of analytical system, it would throw up an alarm on the likely case of developing cancer.	Nó sẽ có khả năng tạo hồ sơ về bệnh nhân ung thư, và khi một người tiếp xúc với loại hệ thống phân tích này, nó sẽ đưa ra một báo động về trường hợp có khả năng phát triển ung thư.
Prescriptive analytics is being used by an IBM Watson for Genomics project, where it not just diagnoses the disease but also gives a prediction and then a likely prescription for the type of cancer by looking at clinical drug trials and their results.	Dự án IBM Watson for Genomics đang sử dụng phân tích mô tả, nơi nó không chỉ chẩn đoán bệnh mà còn đưa ra dự đoán và sau đó là cấp đơn thuốc khả dĩ cho loại ung thư bằng cách xem xét các thử nghiệm thuốc lâm sàng và kết quả của chúng.
Although this system is undergoing rigorous testing, it will yield significant results when it is able to increase its predictive and prescriptive accuracy.	Mặc dù hệ thống này đang trải qua quá trình thử nghiệm nghiêm ngặt, nhưng nó sẽ mang lại kết quả đáng kể khi có thể tăng độ chính xác của dự đoán và chỉ định.
How Machine Learning Is Transforming Healthcare	Máy học đang Thay đổi Như thế nào trong việc Chăm sóc Sức khỏe
Let us now look at some of the ways that machine learning is transforming the healthcare segment of business.	Bây giờ chúng ta hãy xem xét một số cách mà máy học đang chuyển đổi phân khúc kinh doanh chăm sóc sức khỏe.
The healthcare industry is one of the most labor-intensive industries around the world.	Ngành công nghiệp chăm sóc sức khỏe là một trong những ngành sử dụng nhiều lao động nhất trên thế giới.
It requires the presence of humans to take care of people at various stages of their illnesses.	Nó đòi hỏi sự hiện diện của con người để chăm sóc con người ở các giai đoạn bệnh khác nhau của họ.
I was at the AI Conclave held by Amazon in 2017 in Bangalore and was amazed to see how an acute problem of staff scarcity, which has been plaguing the healthcare industry in the United Kingdom, has been aptly solved by creating artificial tabletop bots that would take care of elderly patients needs. The	Tôi đã có mặt tại AI Conclave do Amazon tổ chức vào năm 2017 ở Bangalore và rất ngạc nhiên khi thấy một vấn đề nghiêm trọng về sự khan hiếm nhân viên, vốn đang gây khó khăn cho ngành chăm sóc sức khỏe ở Vương quốc Anh, đã được giải quyết một cách khéo léo bằng cách tạo ra các bot nhân tạo trên bàn, đáp ứng nhu cầu chăm sóc bệnh nhân cao tuổi
Artificial tabletop bots remind elderly patients to take their pills, track their prescriptions, and track and suggest wakeup routines.	Các bot nhân tạo trên mặt bàn nhắc nhở bệnh nhân cao tuổi uống thuốc, theo dõi đơn thuốc, theo dõi và đề xuất thói quen thức dậy.
At the heart of Echo Alexa (as it is known) is the machine learning developed by the Amazon team using its cloud infrastructure Amazon Web Services (AWS).	Trung tâm của Echo Alexa (như đã biết) là máy học được phát triển bởi nhóm Amazon bằng cách sử dụng cơ sở hạ tầng đám mây Amazon Web Services (AWS) của họ.
At the heart of Alexa is the Python machine learning code that helps it to perform tasks and learn from them through a feedback mechanism.	Trung tâm của Alexa là mã học máy Python giúp nó thực hiện các tác vụ và học hỏi từ chúng thông qua cơ chế phản hồi.
The wonderful part of this service is that Echo Alexa is available to a common Python developer to use and develop their own programs and products based on Amazon’s infrastructure.	Điều tuyệt vời của dịch vụ này là Echo Alexa có sẵn cho một nhà phát triển Python thông thường sử dụng và phát triển các chương trình và sản phẩm của riêng họ dựa trên cơ sở hạ tầng của Amazon.
In another DataHack Summit in 2017, I had an opportunity to see the demo of IBM Watson for healthcare services.	Trong một Hội nghị thượng đỉnh DataHack khác vào năm 2017, tôi đã có cơ hội xem bản demo của IBM Watson dành cho các dịch vụ chăm sóc sức khỏe.
Developers built their own applications on top of this base analytics engine.	Các nhà phát triển đã xây dựng các ứng dụng của riêng họ bên trên công cụ phân tích cơ sở này.
IBM has proven to use its analytics engine in applications such as testing genetic results, drug discovery, oncology, and care management, to name just a few.	IBM đã chứng minh sử dụng công cụ phân tích của mình trong các ứng dụng như kiểm tra kết quả di truyền, khám phá thuốc, ung thư học và quản lý chăm sóc, chỉ là một vài ứng dụng.
One more area where not just IBM but other analytics engines are making headway is in diagnosing disease using imaging.	Một lĩnh vực nữa mà không chỉ IBM mà các công cụ phân tích khác đang đạt được tiến bộ là chẩn đoán bệnh bằng hình ảnh.
In healthcare imaging, such as X-ray images or CAT scan images, all have traditionally been interpreted by humans.	Trong hình ảnh chăm sóc sức khỏe, chẳng hạn như hình ảnh X-quang hoặc hình ảnh quét CAT, tất cả đều được giải thích bởi con người theo truyền thống.
However, there are some reasons why we need machines to do this work more efficiently:	Tuy nhiên, có một số lý do tại sao chúng ta cần máy móc để thực hiện công việc này hiệu quả hơn:
High volume of imaging data with increased patients.	Khối lượng lớn dữ liệu hình ảnh với số lượng bệnh nhân tăng lên
Stress on doctors due to high volumes makes them more error-prone.	Căng thẳng đối với bác sĩ do khối lượng lớn khiến họ dễ mắc lỗi hơn
Machines can handle large sets of imaging data with a lower error rate.	Máy có thể xử lý lớn bộ của chụp ảnh dữ liệu với một thấp lỗi tốc độ.
Inability of healthcare professionals to link and see the big picture from imaging data.	Các chuyên gia chăm sóc sức khỏe không có khả năng liên kết và xem hình ảnh lớn từ dữ liệu hình ảnh.
Machines can help them by assessing large numbers of image datasets and determine whether there are any patterns or any connections among groups of patients or groups of localities, for example.	Máy móc có thể giúp họ bằng cách đánh giá số lượng lớn của bộ dữ liệu hình ảnh và xác định, ví dụ, xem có bất kỳ mô hình hoặc bất kỳ kết nối giữa các nhóm của bệnh nhân hoặc nhóm của các địa phương.
Replace doctors or specialist at times of their absence.	Thay thế bác sĩ hoặc chuyên gia khi họ vắng mặt.
This is a key operation that a machine can do—when a specialist is not available, it can replace the human specialist and provide diagnosis in even critical cases.	Đây là thao tác quan trọng mà máy có thể thực hiện — khi không có chuyên gia, nó có thể thay thế chuyên gia về con người và đưa ra chẩn đoán ngay cả trong những trường hợp quan trọng.
In my opinion this function of a machine will be used more and more, and the day is not far when the entire area of image diagnosis will be done by machines with no human intervention.	Theo tôi, chức năng này của máy sẽ ngày càng được sử dụng nhiều hơn và một ngày không xa khi toàn bộ lĩnh vực chẩn đoán hình ảnh sẽ được thực hiện bằng máy móc mà không có sự can thiệp của con người
Drug discovery is a very key area for the healthcare industry.	Khám phá thuốc là một lĩnh vực rất quan trọng đối với ngành chăm sóc sức khỏe
Research in the pharmaceutical companies for diseases like cancer or HIV is continuously happening.	Nghiên cứu trong các công ty dược phẩm về các bệnh như ung thư hoặc HIV đang diễn ra liên tục.
Machine learning is helping speed up drug discovery by analyzing medicinal data and providing prediction models on drug reactions even before they are injected into subjects in a controlled environment.	Máy học tập được giúp gia tang tốc độ phát hiện ma túy bằng cách phân tích dữ liệu làm thuốc và cung cấp mô hình dự đoán về các phản ứng ma túy thậm chí trước khi ma túy được tiêm vào các đối tượng trong một môi trường kiểm soát.
This saves both time and money, as the simulation of drug reactions gives an estimate on likely cure patterns and reactions to the drug.	Việc này tiết kiệm cả thời gian lẫn tiền bạc, như các mô phỏng của thuốc phản ứng cung cấp một ước tính về khả năng chữa bệnh mô hình và các phản ứng đối với các loại thuốc.
Patient Research in difficult fields like Cancer, etc.	Nghiên cứu Bệnh nhân trong các lĩnh vực khó khăn như Ung thư, vv.
There is a lot of data available in this field for both patient and clinical trials of medicines.	Có rất nhiều dữ liệu có sẵn trong lĩnh vực này cho cả các thử nghiệm thuốc trên bệnh nhân và lâm sàng.
Clinical trials are time-consuming and require collection of subject data on reactions in the body.	Các thử nghiệm lâm sàng tốn nhiều thời gian và yêu cầu thu thập dữ liệu đối tượng về các phản ứng trong cơ thể.
This is either collected invasively, such as via a blood test, or non-invasively, such as through urine tests or putting probes on certain body parts of the subject.	Thông tin này được thu thập một cách xâm lấn, chẳng hạn như thông qua xét nghiệm máu hoặc không xâm lấn, chẳng hạn như thông qua xét nghiệm nước tiểu hoặc đặt đầu dò vào một số bộ phận cơ thể của đối tượng.
One of the common fears that I hear with healthcare professionals is their fear that AI will replace them.	Một trong những nỗi sợ hãi phổ biến mà tôi nghe thấy từ các chuyên gia chăm sóc sức khỏe là nỗi sợ hãi rằng AI sẽ thay thế họ.
The machines may make their jobs redundant.	Máy móc có thể khiến công việc của họ trở nên dư thừa.
That fear is valid and is not without evidence.	Nỗi sợ hãi đó là có cơ sở và không phải là không có bằng chứng.
This report comes from The Sun China where a Robot named “Xiao Yi” has passed China’s National Medical Licensing Examination successfully and has achieved all the skills to practice medicine.	Báo cáo này đến từ The Sun China, nơi một Robot tên là "Xiao Yi" đã vượt qua kỳ thi cấp phép y tế quốc gia của Trung Quốc thành công và đạt được tất cả các kỹ năng để hành nghề y.
Some people say this is a scary trend.	Một số người nói rằng đây là một xu hướng đáng sợ.
Some say it is a clear sign that robots are going to rule the humans.	Một số người nói rằng đó là một dấu hiệu rõ ràng cho thấy robot sẽ thống trị con người.
However, I say this is just the tip of the iceberg.	Tuy nhiên, tôi nói đây chỉ là phần nổi của tảng băng chìm.
The following are some of the trends we are likely to see in the healthcare world as far as machines are concerned:	Sau đây là một số xu hướng mà chúng ta có thể thấy trong thế giới chăm sóc sức khỏe liên quan đến máy móc:
Robots replace workers in low-paying jobs first, where humans do not want to do the mundane work, such as the case of Amazon’s Echo Alexa replacing elderly healthcare due to staff shortage.	Robot thay thế trước tiên người lao động trong những công việc được trả lương thấp, nơi con người không muốn làm những công việc tầm thường, chẳng hạn như trường hợp Echo Alexa của Amazon thay thế chăm sóc sức khỏe người cao tuổi do thiếu nhân viên
Robots become assistants to senior specialists, like neurosurgeons, and learn the skills for diagnosis and surgery.	Robot trở thành trợ lý cho các chuyên gia cao cấp, như bác sĩ phẫu thuật thần kinh và học các kỹ năng chẩn đoán và phẫu thuật.
Robots will replace senior specialists in diagnosis, as it requires more analysis and processing.	Robot sẽ thay thế các chuyên gia cao cấp trong việc chẩn đoán, vì nó đòi hỏi nhiều phân tích và xử lý hơn.
Humans can't process large information and spot patterns in big data sets.	Con người không thể xử lý thông tin lớn và xác định các mẫu trong tập dữ liệu lớn.
This is where robots will score significantly higher in accuracy of diagnosis than a human specialist.	Đây là nơi mà robot sẽ đạt điểm chuẩn đoán chính xác cao hơn đáng kể so với một chuyên gia về con người
Surgery will be done by humans with assistance from robots.	Phẫu thuật sẽ do con người thực hiện với sự hỗ trợ của robot.
This has already been demonstrated by the University of Oxford Surgeons.	Điều này đã được chứng minh bởi các bác sĩ phẫu thuật của Đại học Oxford.
So in my view, it is possible as more and more robots are built to do preci- sion operations on humans and are successful, they will work jointly with human specialists to carry out complex, precision-based surgeries.	Vì vậy, theo quan điểm của tôi, có thể ngày càng nhiều robot được chế tạo để thực hiện các thao tác trước người và thành công, chúng sẽ hợp tác với các chuyên gia về con người để thực hiện các ca phẫu thuật phức tạp, dựa trên độ chính xác.
This trend will start to emerge in the next 2 to 3 years.	Xu hướng này sẽ bắt đầu xuất hiện trong 2 đến 3 năm tới.
They may be termed as Auto-doctors and Guided-doctors.	Họ có thể được gọi là Bác sĩ Tự động và Bác sĩ có Hướng dẫn
Auto-doctors would use unsupervised learning techniques to treat a patient for new discovery diseases.	Các bác sĩ tự động sẽ sử dụng các kỹ thuật học tập không được giám sát để điều trị cho một bệnh nhân các bệnh mới phát hiện.
Guided-doctors would use supervised learning techniques.	Các bác sĩ có hướng dẫn sẽ sử dụng các kỹ thuật học tập có giám sát.
They would work for known diseases on known lines of treatments.	Chúng sẽ hoạt động đối với các bệnh đã biết trên các phương pháp điều trị đã biết.
We will be looking at an in-depth example of a Python program for supervised learning in Chapter 3, “How to Implement Machine Learning in Healthcare.	Chúng ta sẽ xem xét một ví dụ chuyên sâu về chương trình Python để học có giám sát trong Chương 3, “Cách triển khai Học máy trong Chăm sóc sức khỏe”.

Tổng quan về Học máy trong Chăm sóc sức khỏe – Anh-Việt

Leave a Reply Cancel reply