Машинно обучение в здравеопазването

В днешно време машинното обучение (което е част от цялата наука за изкуствения интелект) играе една от най-големите роли в много области на нашия живот - включително здравеопазването . Това може да включва различни свързани със здравето аспекти като разработването на нови медицински процедури, справяне с данните за пациентите и прогнозиране на резултатите от лечението на заболявания .

Въпреки това, когато става въпрос за прогнозиране на резултата от операциите и други медицински лечения, ефективността на методите за машинно обучение е известна само донякъде, поне по отношение на прогнозирането на резултата, като се използват данни, събрани от хора и други лекари.

Прогнозиране на резултатите от заболяването

Сега в проучване в Journal of the American Medical Association (JAMA) на 12 юли 2015 г. изследователи от Медицинския център на Университета в Рочестър и Университета на Илинойс съобщават, че машинното обучение може да позволи на човешките лекари да правят относително точни прогнози за резултати от заболяване.

Изследователите, водени от проф. Пол Ниренберг , са разработили алгоритъм, който използва събиране на данни, включително данни за пациенти, за да предскаже резултатите от заболяването и усложненията в хирургията и други медицински процедури, като съпоставя информация от медицинските записи на пациента с информация от компютър програми, които изчисляват вероятността от резултата.

Прогнозиране на резултатите от хирургията

След това тази информация може да се използва при анализи преди хирургическа намеса, за да се предвидят вероятните резултати от определена процедура.

"Сегашното поколение диагностични и хирургични процедури е комбинация от компютърна симулация на цялата процедура и медицинската история на пациента", обяснява д-р Брайън Мееч, старши автор на проучването и директор на Центъра за медицинска информация в Университета в Рочестър Медицински център. "За съжаление, компютърните модели симулират анализ на риска и ползата само при сравнително малка част от хирургичните процедури, често по-малко от един процент."

Методът за анализ на изследването има последствия извън просто потенциалните ефекти от процедурата върху медицинското състояние на реципиента. Сравнявайки риска от нежелани събития при хирургични процедури за хора от всички възрасти, беше предположено, че по-голям брой процедури биха били извършени преди поставянето на диагнозата и следователно в различен възрастов диапазон, което ги прави по-малко рискови за неблагоприятните резултати.

Новото изследване анализира данните от над 6 000 операции за 40-годишен период в САЩ, втората най-голяма популация, където има такива данни.

Разработване на нови лекарства

Използването на машинно обучение при предварителен (ранен) етап на откриване на наркотици има потенциал за различни приложения, от първоначален скрининг на лекарствени съединения до прогнозиран успех въз основа на биологични фактори.

Той потенциално може да помогне за прогнозиране на ефикасността и безопасността на лекарствата (което е една от основните цели на разработването на нови лекарства), както и да предостави информация за нови съставки, които потенциално се развиват в нови лекарства.

Този нов подход за разработването на нови лекарства е важен, тъй като настоящите подходи се основават на предположението, че всяко съединение има специфична, добре проучена цел, която ограничава разработването на нови лекарства до малки групи съединения. Също така предположението е, че "най-доброто" съединение е първото, което достига до клинични изпитвания.

Това означава, че много съединения, които не могат да навредят, могат да имат само слаб ефект или да се окажат вредни при високи дози, могат да получат одобрение на FDA, въпреки че тези съединения не могат да бъдат надеждно проучени, тъй като могат да бъдат по-вредни с увеличаване на дозата.

Извличане на данни

Извличането на данни е все по-важна област на изследване на общественото здраве . Изпълнявайки различни задачи, като машинно обучение в търсенето, извличането на данни приема голямо разнообразие от форми: прилагане на модел, базиран на данни, за извличане на смисъл от набор от данни, извличане на съответните променливи от набор от данни и след това оценка на модел върху тези променливи.

Извличането на данни е изключително сложна и интердисциплинарна област на изследване, която може да варира от основен анализ на данни до извличане на данни и интерпретация на данни.