Um modelo referencial de engenharia de integração para o aprendizado de máquina no cuidado de saúde
Contexto e objetivos: O Aprendizado de Máquina oferece oportunidades para melhorar os resultados do cuidado dos pacientes e o desempenho da equipe e reduzir os custos de saúde. No entanto, apenas uma pequena fração de todos os modelos de Aprendizado de Máquina para cuidados de saúde foi integrada com sucesso no espaço clínico. Não há diretrizes atuais para a integração de modelo clínico, levando a desperdício, custos desnecessários, danos ao paciente e diminuição da eficiência quando implementado de forma inadequada. A engenharia de sistemas é amplamente utilizada na indústria para alcançar um sistema integrado de sistemas por meio de uma abordagem interprofissional colaborativa para o projeto, desenvolvimento e integração de sistemas. Propomos um modelo baseado em engenharia de sistemas para orientar o desenvolvimento e a integração de modelos de Aprendizado de Máquina na área da saúde. Métodos: A engenharia de sistemas aplicada, a engenharia de software e as práticas de desenvolvimento de software de Aprendizado de Máquina para cuidados de saúde foram revisadas e avaliadas de forma crítica para estabelecer uma compreensão das limitações e dos desafios dentro desses domínios. Os princípios da engenharia de sistemas foram usados para desenvolver soluções para resolver os problemas identificados. O modelo foi então harmonizado com o processo de desenvolvimento de software de Aprendizado de Máquina para criar uma abordagem de desenvolvimento de software de Aprendizado de Máquina baseada em engenharia de sistemas no domínio da saúde. Resultados: Apresentamos um modelo de integração para Inteligência Artificial em cuidados de saúde que considera a totalidade desse sistema de sistemas. O modelo proposto utiliza uma abordagem combinada de engenharia de software e integração e consiste em quatro fases: (1) Início, (2) Preparação, (3) Desenvolvimento e (4) Integração. Durante cada fase, apresentamos elementos específicos a serem considerados em cada um dos três domínios de integração: o humano, o sistema técnico e o meio ambiente. Há também elementos que são considerados nas interações entre esses domínios. Conclusão: Os modelos clínicos são sistemas técnicos que precisam ser integrados ao sistema de sistemas existente nos cuidados de saúde. Uma abordagem de engenharia de sistemas para integração garante que elementos apropriados sejam considerados em cada estágio do desenho do modelo para facilitar sua integração. Nosso modelo proposto é baseado em princípios de engenharia de sistemas e pode servir como um guia para o desenvolvimento de modelos, aumentando a probabilidade de sucesso da tradução e integração do Aprendizado de Máquina.
Background and Objectives: Machine Learning offers opportunities to improve patient outcomes, team performance, and reduce healthcare costs. Yet only a small fraction of all Machine Learning models for health care have been successfully integrated into the clinical space. There are no current guidelines for clinical model integration, leading to waste, unnecessary costs, patient harm, and decreases in efficiency when improperly implemented. Systems engineering is widely used in industry to achieve an integrated system of systems through an interprofessional collaborative approach to system design, development, and integration. We propose a framework based on systems engineering to guide the development and integration of Machine Learning models in healthcare. Methods: Applied systems engineering, software engineering and health care Machine Learning software development practices were reviewed and critically appraised to establish an understanding of limitations and challenges within these domains. Principles of systems engineering were used to develop solutions to address the identified problems. The framework was then harmonized with the Machine Learning software development process to create a systems engineering-based Machine Learning software development approach in the healthcare domain. Results: We present an integration framework for healthcare Artificial Intelligence that considers the entirety of this system of systems. Our proposed framework utilizes a combined software and integration engineering approach and consists of four phases: (1) Inception, (2) Preparation, (3) Development, and (4) Integration. During each phase, we present specific elements for consideration in each of the three domains of integration: The Human, The Technical System, and The Environment. There are also elements that are considered in the interactions between these domains. Conclusion: Clinical models are technical systems that need to be integrated into the existing system of systems in health care. A systems engineering approach to integration ensures appropriate elements are considered at each stage of model design to facilitate model integration. Our proposed framework is based on principles of systems engineering and can serve as a guide for model development, increasing the likelihood of successful Machine Learning translation and integration.
