Koneoppiminen terveydenhuollossa

Koneoppimisella (joka on osa koko tekoälyn tiedettä) on nykyään yksi suurimmista roolista monilla elämämme alueilla - mukaan lukien terveydenhuolto. Tähän voi kuulua erilaisia terveyteen liittyviä näkökohtia, kuten uusien lääketieteellisten menettelyjen kehittäminen, potilastietojen käsittely ja sairauksien hoidon tulosten ennustaminen .

Leikkausten ja muiden lääketieteellisten hoitomuotojen tulosten ennustamisessa koneoppimismenetelmien tehokkuus tiedetään kuitenkin vain jonkin verran, ainakin tuloksen ennustamisessa ihmisten lääkäreiltä ja muilta lääkäreiltä kerättyjen tietojen perusteella.

Tautitulosten ennustaminen

Nyt Journal of the American Medical Associationin (JAMA) 12. heinäkuuta 2015 julkaisemassa tutkimuksessa Rochesterin yliopiston lääketieteellisen keskuksen ja Illinoisin yliopiston tutkijat raportoivat, että koneoppiminen voi antaa ihmislääkäreille mahdollisuuden ennustaa suhteellisen tarkasti taudin lopputulokset.

Tutkijat, professori Paul Nierenbergin johdolla, ovat kehittäneet algoritmin, joka käyttää tietokokoelmaa, mukaan lukien potilastiedot, ennustamaan sairauden ja komplikaatioiden seurauksia leikkauksessa ja muissa lääketieteellisissä toimenpiteissä sovittamalla potilaiden potilastietoihin ja tietokoneisiin liittyvät tiedot ohjelmat, jotka laskevat tuloksen todennäköisyydet.

Leikkausten tulosten ennustaminen

Tätä tietoa voidaan sitten käyttää leikkausta edeltävissä analyyseissä tietyn toimenpiteen todennäköisten tulosten ennakoimiseksi.

"Diagnostiikka- ja kirurgisten toimenpiteiden nykyinen sukupolvi on yhdistelmä koko toimenpiteen ja potilaan sairaushistorian tietokoneistettua simulointia", selittää tutkimuksen vanhempi kirjoittaja ja Rochesterin yliopiston lääketieteellisen tiedon keskuksen johtaja Dr. Brian Meech. Terveyskeskus. "Valitettavasti tietokonemallit simuloivat riski-hyötyanalyysiä vain suhteellisen pienessä osassa kirurgisia toimenpiteitä, usein alle yhden prosentin."

Tutkimuksen analyysimenetelmällä oli vaikutuksia, jotka eivät koske pelkästään menettelyn mahdollisia vaikutuksia vastaanottajan sairauteen. Vertaamalla haittatapahtumien riskiä kaikissa ikäryhmissä olevien kirurgisten toimenpiteiden välillä, oletettiin, että suurempi määrä toimenpiteitä olisi suoritettu ennen diagnoosia ja siten eri ikäryhmässä, jolloin niistä olisi vähemmän vaarallisia haittavaikutusten suhteen.

Uudessa tutkimuksessa analysoitiin tietoja yli 6000 operaatiosta 40 vuoden ajanjaksolla Yhdysvalloissa, joka on toiseksi suurin väestö, josta näitä tietoja oli saatavana.

Uusien lääkkeiden kehittäminen

Koneoppimisen käytöllä lääkkeiden alustavassa (varhaisessa vaiheessa) löytämisessä on potentiaalia erilaisiin käyttötarkoituksiin, lääkeyhdisteiden alustavasta seulonnasta biologisiin tekijöihin perustuvaan ennakoituun onnistumisasteeseen.

Se voi mahdollisesti auttaa ennustamaan lääkkeiden tehoa ja turvallisuutta (mikä on yksi uusien lääkkeiden kehittämisen päätavoitteista), samoin kuin antaa tietoja uusista aineosista, jotka ovat mahdollisesti kehittymässä uusiksi lääkkeiksi.

Tämä uusi lähestymistapa uusien lääkkeiden kehittämiseen on tärkeä, koska nykyiset lähestymistavat perustuvat oletukseen, että jokaisella yhdisteellä on erityinen, hyvin tutkittu tavoite, joka rajoittaa uusien lääkkeiden kehittämisen pieniin yhdisteryhmiin. Lisäksi on oletettu, että "paras" yhdiste on ensimmäinen, joka saavuttaa kliiniset tutkimukset.

Tämä tarkoittaa, että monilla yhdisteillä, jotka saattavat olla haittaa, joilla saattaa olla vain heikko vaikutus tai jotka saattavat osoittautua haitallisiksi suurilla annoksilla, voidaan saada FDA: n hyväksyntä, vaikka näitä yhdisteitä ei voidakaan luotettavasti tutkia, koska ne saattavat olla haitallisempia annoksen kasvaessa.

Tietojen louhinta

Tietojen louhinta on yhä tärkeämpi kansanterveyden tutkimusala. Suorittamalla erilaisia tehtäviä, kuten koneoppimista etsinnässä, tiedon louhinta tapahtuu monenlaisissa muodoissa: soveltamalla tietoon perustuvaa mallia merkityksen poistamiseksi tietojoukosta, poimimalla merkityksellisiä muuttujia tietojoukosta ja arvioimalla sitten malli näillä muuttujilla.

Tiedon louhinta on erittäin monimutkainen ja monitieteinen tutkimusala, joka voi vaihdella perustietoanalyysistä tiedon louhintaan ja tulkitsemiseen.