Μηχανική εκμάθηση στην υγειονομική περίθαλψη

Σήμερα, η μηχανική μάθηση (που αποτελεί μέρος ολόκληρης της επιστήμης της τεχνητής νοημοσύνης) παίζει έναν από τους μεγαλύτερους ρόλους σε πολλούς τομείς της ζωής μας - συμπεριλαμβανομένης της υγειονομικής περίθαλψης. Αυτό μπορεί να περιλαμβάνει διαφορετικές πτυχές που σχετίζονται με την υγεία, όπως η ανάπτυξη νέων ιατρικών διαδικασιών, η αντιμετώπιση δεδομένων ασθενών και η πρόβλεψη των αποτελεσμάτων της θεραπείας ασθενειών .

Ωστόσο, όταν πρόκειται για την πρόβλεψη του αποτελέσματος των χειρουργικών επεμβάσεων και άλλων ιατρικών θεραπειών, η αποτελεσματικότητα των μεθόδων μηχανικής μάθησης είναι κάπως γνωστή, τουλάχιστον όσον αφορά την πρόβλεψη του αποτελέσματος χρησιμοποιώντας δεδομένα που συλλέγονται από ανθρώπινους γιατρούς και άλλους γιατρούς.

Πρόβλεψη των αποτελεσμάτων της νόσου

Τώρα, σε μια μελέτη στο Journal of the American Medical Association (JAMA) στις 12 Ιουλίου 2015, ερευνητές από το Ιατρικό Κέντρο του Πανεπιστημίου του Ρότσεστερ και το Πανεπιστήμιο του Ιλλινόις αναφέρουν ότι η μηχανική μάθηση μπορεί να επιτρέψει στους γιατρούς να κάνουν σχετικά ακριβείς προβλέψεις αποτελέσματα της ασθένειας.

Οι ερευνητές, με επικεφαλής τον καθηγητή Paul Nierenberg, έχουν αναπτύξει έναν αλγόριθμο που χρησιμοποιεί μια συλλογή δεδομένων, συμπεριλαμβανομένων δεδομένων ασθενών, για την πρόβλεψη της νόσου και των επιπλοκών στην χειρουργική επέμβαση και σε άλλες ιατρικές διαδικασίες, συνδυάζοντας πληροφορίες από ιατρικά αρχεία ασθενών με πληροφορίες από υπολογιστή προγράμματα που υπολογίζουν τις πιθανότητες του αποτελέσματος.

Πρόβλεψη αποτελεσμάτων χειρουργικών επεμβάσεων

Αυτές οι πληροφορίες μπορούν στη συνέχεια να χρησιμοποιηθούν σε προ-χειρουργικές αναλύσεις για την πρόβλεψη των πιθανών αποτελεσμάτων μιας συγκεκριμένης διαδικασίας.

"Η τρέχουσα γενιά διαγνωστικών και χειρουργικών διαδικασιών είναι ένας συνδυασμός μηχανογραφημένης προσομοίωσης ολόκληρης της διαδικασίας και του ιατρικού ιστορικού του ασθενούς", εξηγεί ο Δρ. Brian Meech, ανώτερος συγγραφέας της μελέτης και διευθυντής του Κέντρου Ιατρικών Πληροφοριών στο Πανεπιστήμιο του Ρότσεστερ Ιατρικό Κέντρο. "Δυστυχώς, τα μοντέλα υπολογιστών προσομοιώνουν μόνο ανάλυση κινδύνου-οφέλους σε ένα σχετικά μικρό κλάσμα χειρουργικών διαδικασιών, συχνά λιγότερο από ένα τοις εκατό."

Η μέθοδος ανάλυσης της μελέτης είχε επιπτώσεις πέραν των πιθανών επιπτώσεων της διαδικασίας στην ιατρική κατάσταση του παραλήπτη. Συγκρίνοντας τον κίνδυνο ανεπιθύμητων ενεργειών σε χειρουργικές επεμβάσεις για άτομα όλων των ηλικιών, υποτέθηκε ότι ένας μεγαλύτερος αριθμός διαδικασιών θα είχε πραγματοποιηθεί πριν από τη διάγνωση και, επομένως, σε διαφορετικό ηλικιακό εύρος, καθιστώντας τις λιγότερο επικίνδυνες για ανεπιθύμητα αποτελέσματα.

Η νέα έρευνα ανέλυσε τα δεδομένα από πάνω από 6.000 επιχειρήσεις κατά τη διάρκεια μιας περιόδου 40 ετών στις ΗΠΑ, το δεύτερο μεγαλύτερο πληθυσμό όπου υπήρχαν τέτοια δεδομένα.

Ανάπτυξη νέων φαρμάκων

Η χρήση μηχανικής μάθησης στην προκαταρκτική (πρώιμο στάδιο) ανακάλυψη φαρμάκων έχει τη δυνατότητα για διάφορες χρήσεις, από την αρχική εξέταση των ενώσεων φαρμάκων έως το προβλεπόμενο ποσοστό επιτυχίας με βάση βιολογικούς παράγοντες.

Μπορεί δυνητικά να βοηθήσει στην πρόβλεψη της αποτελεσματικότητας και της ασφάλειας των ναρκωτικών (που είναι ένας από τους κύριους στόχους της ανάπτυξης νέων φαρμάκων), καθώς και να παρέχει πληροφορίες σχετικά με νέα συστατικά που ενδεχομένως εξελίσσονται σε νέα φάρμακα.

Αυτή η νέα προσέγγιση για την ανάπτυξη νέων φαρμάκων είναι σημαντική επειδή οι τρέχουσες προσεγγίσεις βασίζονται στην υπόθεση ότι κάθε ένωση έχει έναν συγκεκριμένο, καλά μελετημένο στόχο, ο οποίος περιορίζει την ανάπτυξη νέων φαρμάκων σε μικρές ομάδες ενώσεων. Επίσης, η υπόθεση ήταν ότι η «καλύτερη» ένωση είναι η πρώτη που έφτασε σε κλινικές δοκιμές.

Αυτό σημαίνει ότι πολλές ενώσεις που δεν θα μπορούσαν να βλάψουν, μπορεί να έχουν απλώς ένα ασθενές αποτέλεσμα ή μπορεί να αποδειχθούν επιβλαβείς σε υψηλές δόσεις μπορούν να λάβουν έγκριση από το FDA, παρόλο που αυτές οι ενώσεις δεν μπορούν να μελετηθούν αξιόπιστα καθώς μπορεί να είναι πιο επιβλαβείς με την αύξηση της δόσης.

Εξόρυξη δεδομένων

Η εξόρυξη δεδομένων είναι ένας όλο και πιο σημαντικός τομέας μελέτης στη δημόσια υγεία. Εκτελώντας μια ποικιλία εργασιών, όπως μηχανική μάθηση στην αναζήτηση, η εξόρυξη δεδομένων λαμβάνει μια μεγάλη ποικιλία μορφών: εφαρμογή ενός μοντέλου που βασίζεται σε δεδομένα για εξαγωγή νοήματος από ένα σύνολο δεδομένων, εξαγωγή σχετικών μεταβλητών από ένα σύνολο δεδομένων και, στη συνέχεια, αξιολόγηση ενός μοντέλου σε αυτές τις μεταβλητές.

Η εξόρυξη δεδομένων είναι ένα πολύ περίπλοκο και διεπιστημονικό πεδίο μελέτης που μπορεί να κυμαίνεται από βασική ανάλυση δεδομένων έως εξόρυξη δεδομένων και ερμηνεία δεδομένων.