Résumé: Malgré des avances dans le matériel de calcul, beaucoup d'hôpitaux ont toujours un moment difficile trouver la capacité supplémentaire dans leur système d'information clinique de production de courir des modules de l'intelligence artificielle (AI), par exemple: pour soutenir des interactions en temps réel de drogue-drogue ou de drogue-laboratoire; pour dépister des tendances d'infection; pour surveiller la conformité aux directives cliniques spécifiques de cas; ou à monitor/control les dispositifs biomédicaux aiment un ventilateur intelligent. Historiquement, ajouter la fonctionnalité de AI n'était pas un souci important de conception quand un système clinique typique est à l'origine indiqué. La technologie de AI est habituellement ` monté en rattrapage sur le vieux système 'ou le ` coulent ligne 'l'en tandem avec le vieux système pour s'assurer que la charge routine de travail immobile obtiendrait faite (avec en tant que peu d'impact du côté de AI comme possible). Pour composer le fardeau sur l'exécution de système, la plupart des établissements ont été témoin tendance d'une longue et d'augmentation pour le reportage intra-muros et extra-muros, (par exemple la collecte des données pour un rapport de qualité-commande en microbiologie, ou une méta-analyse d'une suite des techniques de greffes de déviation d'artère coronaire, etc...) et ceux-ci placent un fardeau toujours croissant sur typique l'exécution du système informatique. Nous discutons une approche prometteuse à ajouter la capacité de traitement supplémentaire de AI à un système fortement utilisé basé sur le brouillé léger de ` de notion traitant (LFP) ', c.-à-d., les modules brouillés conçus dès le début pour imposer un petit volume des calculs. Un modèle formel pour une sous-classe utile des systèmes brouillés est défini ci-dessous et est employé comme cadre pour la génération automatisée de LFPs. En cherchant à réduire la complexité arithmétique du modèle (un processus main-ouvré) et la complexité de données du modèle (un processus automatisé), nous montrons comment LFPs peut être produit pour trois ensembles de données d'échantillon d'importance clinique.

Langue: Anglais