临床医疗领域中的用户体验设计经验

一些像医疗保健机构的组织或者是基金会基金会已经发现了一些问题。

对我来说很巧的是,这些EMRs的创造者并没有考虑到社会流程之类的问题。在我成为用户体验设计师的过程中,这是我首先学到的东西之一:如果要设计一个可以帮助人们工作的系统,系统的设计必须和他们的工作流程成为一体。你必须考虑他们的环境和活动。

当你在了解医疗保健领域的问题时,可能需要列一个长长的列表。他们可能是我们需要面对的事情。

应对疾病或突发状况、知道你关心什么

如何让你更健康的生活

哪一个保险计划更好

去哪个医院做手术更好

如果从医院的角度来说,就有很多异议了

? 每年都有数以千计的医疗失误
? 增长的住院感染率
? 复杂的数据展示在电子医疗记录上可能会导致医疗失误
? 错误的手术地点
? 信息的转移和改变
? 人们不敢说出一些害怕的事情,这会增大医疗难度

这些在设计医疗保健系统上都是挑战,设计师做的设计可能会直接关系到病人的医疗结果,以及可能会提高风险。Peter Jones著作有Design for Care通过医疗保健的整体范围为design-led转换做案例。Jones描述医疗保健中各种类型的问题:

? 简单的问题,如把折断的骨头接好
? 困难的问题,如由于很多移动的组织而各种失败的外科手术
? 复杂的问题,像一些如哮喘,癌症和自身免疫性疾病的慢性疾病

? 棘手的问题,这些复杂的问题有不确定的干涉和可能是来自一些与人口老龄化和慢性疾病的结果一样。

Jones提供一些解决这些问题的方法。他引用来自由设计大师Garry VanPatter和Elizabeth Pastor提出的Huamantific的四个阶段的设计。

设计1.0:传统设计(传统工艺设计流程)

设计2.0:产品/服务设计(工业和交互式产品设计)

设计3.0:组织架构转换设计(组织机构级别转换设计)

设计4.0:社会转换设计(横跨整个大型医疗机构的转换)

当在医疗保健上做产品/服务/应用,一个在设计实践和方法上很有意义的改变是需要从设计1.0到设计4.0过程中解决很多相关问题积累起来的。

贯穿整本书。Jones给出一个以还原设计1.0贯穿到设计4.0的真实世界为例子并举例说明被医疗研究者和设计师使用的方法。Design of care 的每一章都会通过医疗保健系统提供一个可以看到的特殊区域,并且大部分章节的都会用一个包括技术上的一些贴士和一些学习的课程的实力分析做结尾。

另一个反面看在医疗保健上的问题(尤其是当设计和建造产品/服务/应用)是透过“社会”系统。Jones是这样写的,信息和界面是社会系统的完整部分-在一个机构中把工作和工具组织到有意义的功能中。当技术系统仅仅是安装到复杂的问题中,那就只能适应变化了。
如果系统没有被协调好,整个系统的安装会因为很大的管理成本被拒绝。

Jones 通过几个章节涉及电子医疗记录并且他感到EMR在临床上的实现有不好的影响。这对我来说可能是这本书最让人沮丧的章节,不是因为Jones而是因为EMRs在临床上已经有了的影响。根据Jones的研究,EMRs显露批评界面设计和临床流程挑战…和在每个级别功能可能触发的潜在危险状况。其他标记者应该从一开始就被聘用(经典故事对吧?)来确保EMRs支持临床医生的临床工作,使其更加安全有效率,Jones进入一个很大的细节,为什么EMRs会是今天这样子,最终如何创新EMR的设计。

作为一个在医疗保健上有经验的设计师,它给我新的方式去看待我正试图解决的问题。Jones已经阐述了不同用户研究方法的方式-正如移情作用的设计研究和我还没用的认知工程和
脑力风暴法-例如我可以应用在一些项目上中激荡。

对于我来说,Design for Care是所有在追求设计出关怀的产品的设计师想加入的事物。有一件事情Jones通过这本书说得很清楚:在这个领域工作需要长期的坚守。他说如果想要变得高效,我们要比其他工业/服务等领域获取更深层次的专业知识。Jones明确表态,医疗IT应用领域的复杂性需要设计师做出个性化的设计和在专业领域上长时间的坚持,包括数年的学习,实践和耐心。你将需要改变你平时设计解决问题时思考的标准并且要系统地进行思考。问题是复杂和顽固的,但标准的用户为中心的设计方法是不足够的。以用户为中心的设计标准对传统设计和产品/服务设计是很好的,然而,当你在做组织架构转换设计和社会转换设计时,新的设计策略和方法是必须的。

通过Jones可以知道,医疗保健组织中有设计师存在是特别新奇的。一些很好的例子,他说,比如就是学这个领域的技术宅。他说典型的数字处理模式不是用来介绍这种类型的设计因为理解病人真正关心的需求是最重要的。

我在这里同意Jones的观点。从我在医疗领域上的经验上看,直接联系医疗领域的专家并分享开发产品和服务的责任和义务对我的影响很大,这些产品和服务在医院中对保护病人安全是有很大作用的。

健康护理需要设计,经过在十几年从事各种用户体验设计,我意识到我在我的职业生涯中只是一个过客,个人而言我想要做一些更有意义的东西,我想要找这些令人不愉快的问题所在,我可以帮助人们解决它。我发现医疗保健领域,特别是临床。自从生命问题变得岌岌可危可能会令人感到恐惧。Desgin for Care 提醒我为什么要从事这项工作,有很多机会可以做出一些对病人恢复重要有提升意义的设计。

——————————————————————————————

原作者:Alejo Jumat

翻译:BESD设计实验室

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值