Strojové učení ve zdravotnictví

V dnešní době hraje strojové učení (které je součástí celé vědy umělé inteligence) jednu z největších rolí v mnoha oblastech našeho života - včetně zdravotní péče. To může zahrnovat různé aspekty související se zdravím, jako je vývoj nových lékařských postupů, nakládání s údaji o pacientech a předpovídání výsledků léčby nemocí .

Pokud však jde o předpovídání výsledku chirurgických zákroků a dalších léčebných postupů, je účinnost metod strojového učení známá jen do určité míry, přinejmenším pokud jde o předpovídání výsledku pomocí údajů shromážděných od lékařů a jiných lékařů.

Predikce výsledků nemoci

Nyní, ve studii v časopise Journal of the American Medical Association (JAMA) ze dne 12. července 2015, vědci z University of Rochester Medical Center a University of Illinois hlásí, že strojové učení může lidským lékařům umožnit relativně přesné předpovědi výsledky nemoci.

Vědci pod vedením profesora Paula Nierenberga vyvinuli algoritmus, který využívá soubor údajů, včetně údajů o pacientech, k předpovědi výsledků onemocnění a komplikací v chirurgii a jiných lékařských postupech porovnáním informací z lékařských záznamů pacientů s informacemi z počítače programy, které počítají pravděpodobnost výsledku.

Predikce výsledků chirurgických zákroků

Tyto informace pak mohou být použity v předoperačních analýzách k předvídání pravděpodobných výsledků určitého postupu.

„Současná generace diagnostických a chirurgických postupů je kombinací počítačové simulace celého postupu a anamnézy pacienta,“ vysvětluje Dr. Brian Meech, hlavní autor studie a ředitel Centra lékařských informací na univerzitě v Rochesteru Zdravotní středisko. „Počítačové modely bohužel simulují analýzu rizika a přínosu pouze u relativně malého zlomku chirurgických zákroků, často méně než jednoho procenta.“

Analytická metoda studie měla dopady nad rámec potenciálních účinků postupu na zdravotní stav příjemce. Porovnáním rizika nežádoucích účinků napříč chirurgickými postupy u lidí všech věkových skupin byla vyslovena hypotéza, že by před diagnostikou bylo provedeno větší množství postupů, a proto v jiném věkovém rozmezí, což by je pro rizikové výsledky méně riskantní.

Nový výzkum analyzoval data z více než 6 000 operací v průběhu 40letého období v USA, druhé největší populaci, kde byla tato data k dispozici.

Vývoj nových léků

Využití strojového učení v předběžném (počátečním) objevu léčiv má potenciál pro různá použití, od počátečního screeningu sloučenin léčiv až po předpokládanou úspěšnost na základě biologických faktorů.

Může potenciálně pomoci předpovědět účinnost a bezpečnost léku (což je jeden z hlavních cílů vývoje nových léků) a také poskytnout informace o nových složkách, které se potenciálně vyvíjejí do nových léků.

Tento nový přístup k vývoji nových léků je důležitý, protože současné přístupy se spoléhají na předpoklad, že každá sloučenina má konkrétní, dobře prostudovaný cíl, který omezuje vývoj nových léků na malé skupiny sloučenin. Předpokládá se také, že „nejlepší“ sloučenina je první, která dosáhne klinických studií.

To znamená, že mnoho sloučenin, které by neškodily, mohly by mít jen slabý účinek nebo by se mohly ukázat jako škodlivé při vysokých dávkách, mohou získat schválení FDA, i když tyto sloučeniny nelze spolehlivě studovat, protože mohou být škodlivější se zvyšující se dávkou.

Dolování dat

Dolování dat je ve veřejném zdraví stále důležitější oblastí studia. Díky provádění různých úkolů, jako je strojové učení ve vyhledávání, má dolování dat širokou škálu forem: použití modelu založeného na datech k extrakci významu z datové sady, extrakce příslušných proměnných z datové sady a následné vyhodnocení modelu na tyto proměnné.

Dolování dat je velmi složitý a interdisciplinární obor, který se může pohybovat od základní analýzy dat až po dolování dat a interpretaci dat.