Aprendizaje automático en la asistencia sanitaria

Hoy en día, el aprendizaje automático (que es parte de toda la ciencia de la inteligencia artificial) desempeña uno de los papeles más importantes en muchas áreas de nuestra vida, incluida la atención médica. Esto puede incluir diferentes aspectos relacionados con la salud, como el desarrollo de nuevos procedimientos médicos, el manejo de datos de pacientes y la predicción de resultados del tratamiento de enfermedades .

Sin embargo, cuando se trata de predecir el resultado de las cirugías y otros tratamientos médicos, la efectividad de los métodos de aprendizaje automático es solo algo conocida, al menos en términos de predecir el resultado utilizando datos recopilados de médicos humanos y otros médicos.

Predicción de resultados de la enfermedad

Ahora, en un estudio en el Journal of the American Medical Association (JAMA) el 12 de julio de 2015, investigadores del Centro Médico de la Universidad de Rochester y la Universidad de Illinois informan que el aprendizaje automático puede permitir a los médicos humanos hacer predicciones relativamente precisas de resultados de la enfermedad.

Los investigadores, dirigidos por el profesor Paul Nierenberg, han desarrollado un algoritmo que utiliza una recopilación de datos, incluidos los datos de los pacientes, para predecir los resultados de la enfermedad y las complicaciones en la cirugía y otros procedimientos médicos al hacer coincidir la información de los registros médicos de los pacientes con la información de la computadora. programas que calculan las probabilidades del resultado.

Predicción de resultados de cirugías

Esta información se puede usar en análisis prequirúrgicos para anticipar los resultados probables de un determinado procedimiento.

"La generación actual de procedimientos diagnósticos y quirúrgicos es una combinación de simulación computarizada de todo el procedimiento y el historial médico del paciente", explica el Dr. Brian Meech, autor principal del estudio y director del Centro de Información Médica de la Universidad de Rochester. Centro Médico. "Desafortunadamente, los modelos de computadora solo simulan el análisis de riesgo-beneficio en una fracción relativamente pequeña de los procedimientos quirúrgicos, a menudo menos del uno por ciento".

El método de análisis del estudio tuvo implicaciones más allá de los posibles efectos del procedimiento sobre la condición médica del receptor. Al comparar el riesgo de eventos adversos entre los procedimientos quirúrgicos para personas de todas las edades, se planteó la hipótesis de que se habría realizado un mayor número de procedimientos antes del diagnóstico y, por lo tanto, en un rango de edad diferente, lo que los hace menos riesgosos para los resultados adversos.

La nueva investigación analizó los datos de más de 6,000 operaciones en el transcurso de un período de 40 años en los EE. UU., La segunda población más grande en la que estaban disponibles dichos datos.

Desarrollo de nuevos medicamentos.

El uso del aprendizaje automático en el descubrimiento de drogas preliminar (etapa inicial) tiene el potencial para varios usos, desde la detección inicial de compuestos de drogas hasta la tasa de éxito prevista basada en factores biológicos.

Potencialmente, puede ayudar a predecir la eficacia y seguridad de los medicamentos (que es uno de los objetivos principales del desarrollo de nuevos medicamentos), así como proporcionar información sobre nuevos ingredientes que potencialmente se están convirtiendo en nuevos medicamentos.

Este nuevo enfoque para el desarrollo de nuevos medicamentos es importante porque los enfoques actuales se basan en el supuesto de que cada compuesto tiene un objetivo específico y bien estudiado, lo que limita el desarrollo de nuevos medicamentos a pequeños grupos de compuestos. Además, se ha supuesto que el "mejor" compuesto es el primero en llegar a ensayos clínicos.

Esto significa que muchos compuestos que podrían no causar daño, tener un efecto débil o resultar dañinos a altas dosis pueden obtener la aprobación de la FDA, a pesar de que estos compuestos no pueden estudiarse de manera confiable, ya que pueden ser más dañinos al aumentar la dosis.

Procesamiento de datos

La minería de datos es un campo de estudio cada vez más importante en salud pública. Al realizar una variedad de tareas, como el aprendizaje automático en la búsqueda, la minería de datos adopta una amplia variedad de formas: aplica un modelo basado en datos para extraer el significado de un conjunto de datos, extrae variables relevantes de un conjunto de datos y luego evalúa un modelo en estas variables.

La minería de datos es un campo de estudio altamente complejo e interdisciplinario que puede variar desde el análisis de datos básicos hasta la minería de datos y la interpretación de datos.