Maskinindlæring i sundhedsvæsenet

I dag spiller maskinlæring (som er en del af hele videnskaben om kunstig intelligens) en af de største roller i mange områder af vores liv - herunder sundhedsydelser . Dette kan omfatte forskellige sundhedsrelaterede aspekter som udvikling af nye medicinske procedurer, håndtering af patientdata og forudsigelse af resultaterne af behandlingen af sygdomme .

Men når det kommer til at forudsige resultatet af operationer og andre medicinske behandlinger, er effektiviteten af maskinlæringsmetoder kun noget kendt, i det mindste med hensyn til at forudsige resultatet ved hjælp af data indsamlet fra menneskelige læger og andre læger.

Forudsigelse af sygdomsresultater

I en undersøgelse i Journal of the American Medical Association (JAMA) den 12. juli 2015 rapporterer forskere fra University of Rochester Medical Center og University of Illinois , at maskinindlæring kan give menneskelige læger mulighed for at foretage relativt nøjagtige forudsigelser af sygdomsresultater.

Forskerne, ledet af prof. Paul Nierenberg , har udviklet en algoritme, der bruger en indsamling af data, herunder patientdata, til at forudsige sygdoms- og komplikationsresultaterne i kirurgi og andre medicinske procedurer ved at matche information fra patienters medicinske journaler med information fra computeren. programmer, der beregner sandsynligheden for resultatet.

Forudsigelse af operationer Resultater

Disse oplysninger kan derefter bruges i analyser før operationen for at forudse de sandsynlige resultater af en bestemt procedure.

"Den nuværende generation af diagnostiske og kirurgiske procedurer er en kombination af edb-simulering af hele proceduren og patientens sygehistorie," forklarer Dr. Brian Meech, seniorforfatter om undersøgelsen og direktør for Center for Medicinsk Information ved University of Rochester. Medicinal Center. "Desværre simulerer computermodellerne kun analyse af fordele ved en relativt lille brøkdel af kirurgiske procedurer, ofte mindre end en procent."

Undersøgelsens analysemetode havde implikationer ud over blot de potentielle virkninger af proceduren på modtagerens medicinske tilstand. Ved at sammenligne risikoen for bivirkninger på tværs af kirurgiske procedurer for mennesker i alle aldre blev det antaget, at et større antal procedurer ville have været udført før diagnosen og derfor i et andet aldersinterval, hvilket gjorde dem mindre risikable for uønskede resultater.

Den nye forskning analyserede data fra over 6.000 operationer i løbet af en 40-årig periode i USA, den næststørste befolkning, hvor sådanne data var tilgængelige.

Udvikling af nye lægemidler

Anvendelsen af maskinindlæring i foreløbig (tidlig fase) lægemiddelopdagelse har potentialet til forskellige anvendelser, lige fra indledende screening af lægemiddelforbindelser til forudsagt succesrate baseret på biologiske faktorer.

Det kan potentielt hjælpe med at forudsige lægemiddeleffektivitet og sikkerhed (som er et af hovedmålene med udviklingen af nye lægemidler) samt give oplysninger om nye ingredienser, der potentielt udvikler sig til nye lægemidler.

Denne nye tilgang til udviklingen af nye lægemidler er vigtig, fordi de nuværende tilgange er afhængige af antagelsen om, at hver forbindelse har et specifikt, velstuderet mål, som begrænser udviklingen af nye lægemidler til små grupper af forbindelser. Antagelsen har også været, at den "bedste" forbindelse er den første, der når kliniske forsøg.

Dette betyder, at mange forbindelser, der muligvis ikke skader, måske bare har en svag effekt eller kan vise sig at være skadelige ved høje doser, kan få FDA-godkendelse, selvom disse forbindelser ikke kan undersøges pålideligt, da de kan være mere skadelige med stigende dosis.

Data Mining

Data mining er et stadig vigtigere felt inden for folkesundhed . Ved at udføre en række forskellige opgaver, såsom maskinindlæring i søgning, tager datamining en bred vifte af former: anvendelse af en model baseret på data for at udtrække mening fra et datasæt, udtrækning af relevante variabler fra et datasæt og derefter evaluering af en model på disse variabler.

Data mining er et meget komplekst og tværfagligt studieområde, der kan variere fra grundlæggende dataanalyse til data mining og datatolkning.