POPULATION-REPRESENTATIVE DATA ACCESSIBILITY, STANDARDIZATION, AND QUALITY

POPULATION-REPRESENTATIVE DATA ACCESSIBILITY, STANDARDIZATION, AND QUALITY ARE VITAL

AI algorithms must be trained on population-representative data to achieve  performance levels necessary for scalable “success.” Trends such as the cost for  storing and managing data, data collection via electronic health records, and exponential consumer health data generation have created a data-rich health care ecosystem. However, this growth in health care data is hampered by the lack of efficient mechanisms for integrating and merging these data beyond their current silos. While there are multiple frameworks and standards in place to help aggregate and achieve sufficient data volume for AI use of data at rest (such as mature health care common data models) and data in motion (such as Health Level Seven International Fast Healthcare Interoperability Resources [HL7 FHIR]), they need wider adoption to support AI tool development deployment, and maintenance. There continue to be issues of interoperability and scale of data transfers due to cultural, social, and regulatory reasons. Solutions will require the engagement of all relevant stakeholders. Thus, the wider health care community should continue to advocate for policy, regulatory, and legislative mechanisms that improve equitable, inclusive data collection and aggregation, and transparency around how patient health data may be best utilized to balance financial incentives and the public good.

این متن رو به عنوان نمونه از قمست summary کتاب صفحه ۲ اوردم دسترسی به داده‌های" نمایاننده ی جمعیت" استانداردسازی و کیفیت این داده ها  از اهمیت حیاتی برخوردارند الگوریتم‌های هوش مصنوعی باید با استفاده از داده‌های نمایاننده ی کل جمعیت آموزش داده شوند (training)تا به سطح عملکرد لازم برای موفقیت  برسند. ترندهایی همچون هزینه‌های (کم)نگهداری و مدیریت داده، جمع‌آوری داده از طریق پرونده‌های پزشکی الکترونیکی و تولید داده های  سلامت به صورت تصاعدی توسط مصرف کنندگان خدمات ، یک اکوسیستم سلامت "غنی از داده" ایجاد کرده‌اند. با این وجود مشکلی که وجود دارد  کمبود مکانیسم های کارآمد  برای یکپارچه سازی و ادغام این داده ها خارج از سیلوهای(محل ذخیره)کنونیشان است .با اینکه ساز و کارهای متعددی برای کمک به جمع‌آوری و دستیابی به حجم کافی  از داده ها برای استفاده ی هوش مصنوعی  از داده های at rest یادر حال سکون (مانندCDMیا همان common data model ) و داده‌های در حرکت in motion(مانندHealth Level Seven International Fast Healthcare Interoperability Resources [FHIR] HL7) موجود است، اما نیاز به  به کارگیری "گسترده تر" این داده ها برای پشتیبانی از توسعه، اجرا و نگهداری ابزار هوش مصنوعی وجود دارد. هنوز مشکلاتی از نظر interoperability(قابلیت تعامل بین سیستم ها)  و مقیاس کوچک تبادل  داده ها  وجود دارد که   دلایل فرهنگی، اجتماعی و قانونگذاری دارند. حل مسائل نیازمند مشارکت تمام ذی‌نفعان مربوطه است. بنابراین، سیستم درمانی  باید به طور مداوم به ترویج سیاست‌ها، مقررات و مکانیسم‌های قانونی ای بپردازد که  موجب بهبود جمع اوری داده های عادلانه و شامل(inclusive) می شوند و همچنین موجب شفافیت  در این زمینه می شوند که داده ها چگونه به نحو احسن استفاده شوند که بین انگیزه های مالی و خیر و صلاح همگانی تعادل برقرار شود.