Apprentissage automatique dans les soins de santé

De nos jours, l'apprentissage automatique (qui fait partie de toute la science de l'intelligence artificielle) joue l'un des plus grands rôles dans de nombreux domaines de notre vie - y compris les soins de santé. Cela peut inclure différents aspects liés à la santé comme l'élaboration de nouvelles procédures médicales, le traitement des données des patients et la prévision des résultats du traitement des maladies .

Cependant, lorsqu'il s'agit de prédire le résultat des chirurgies et d'autres traitements médicaux, l'efficacité des méthodes d'apprentissage automatique n'est que quelque peu connue, du moins en termes de prédiction du résultat à l'aide de données collectées auprès de médecins humains et d'autres médecins.

Prédiction des résultats de la maladie

Maintenant, dans une étude publiée dans le Journal of the American Medical Association (JAMA) le 12 juillet 2015, des chercheurs de l'Université de Rochester Medical Center et de l'Université de l'Illinois rapportent que l'apprentissage automatique peut permettre aux médecins humains de faire des prédictions relativement précises de l'issue de la maladie.

Les chercheurs, dirigés par le professeur Paul Nierenberg, ont développé un algorithme qui utilise une collection de données, y compris les données des patients, pour prédire les résultats de la maladie et des complications lors de la chirurgie et d'autres procédures médicales en associant les informations du dossier médical des patients aux informations provenant d'un ordinateur. programmes qui calculent les probabilités du résultat.

Prédiction des résultats des chirurgies

Ces informations peuvent ensuite être utilisées dans des analyses préopératoires pour anticiper les résultats probables d'une certaine procédure.

"La génération actuelle de procédures diagnostiques et chirurgicales est une combinaison de simulation informatisée de l'ensemble de la procédure et des antécédents médicaux du patient", explique le Dr Brian Meech, auteur principal de l'étude et directeur du Center for Medical Information de l'Université de Rochester. Centre médical. "Malheureusement, les modèles informatiques ne simulent une analyse risques-avantages que dans une fraction relativement faible des interventions chirurgicales, souvent moins d'un pour cent."

La méthode d'analyse de l'étude a eu des implications au-delà des seuls effets potentiels de la procédure sur l'état de santé du receveur. En comparant le risque d'événements indésirables à travers les procédures chirurgicales pour les personnes de tous âges, on a émis l'hypothèse qu'un plus grand nombre de procédures auraient été effectuées avant le diagnostic et donc dans une tranche d'âge différente, ce qui les rend moins risquées pour les résultats indésirables.

La nouvelle recherche a analysé les données de plus de 6 000 opérations au cours d'une période de 40 ans aux États-Unis, la deuxième plus grande population où de telles données étaient disponibles.

Développement de nouveaux médicaments

L'utilisation de l'apprentissage automatique dans la découverte préliminaire (à un stade précoce) de médicaments a le potentiel pour diverses utilisations, du dépistage initial des composés médicamenteux au taux de réussite prévu en fonction de facteurs biologiques.

Il peut potentiellement aider à prédire l'efficacité et l'innocuité des médicaments (qui est l'un des principaux objectifs du développement de nouveaux médicaments), ainsi que fournir des informations sur les nouveaux ingrédients susceptibles de devenir de nouveaux médicaments.

Cette nouvelle approche pour le développement de nouveaux médicaments est importante car les approches actuelles reposent sur l'hypothèse que chaque composé a une cible spécifique et bien étudiée, ce qui limite le développement de nouveaux médicaments à de petits groupes de composés. En outre, l'hypothèse a été que le "meilleur" composé est le premier à atteindre les essais cliniques.

Cela signifie que de nombreux composés qui pourraient ne pas nuire, pourraient avoir un faible effet ou se révéler nocifs à des doses élevées peuvent obtenir l'approbation de la FDA, même si ces composés ne peuvent pas être étudiés de manière fiable car ils peuvent être plus nocifs avec l'augmentation de la dose.

Exploration de données

L'exploration de données est un domaine d'étude de plus en plus important en santé publique. En effectuant une variété de tâches, telles que l'apprentissage automatique dans la recherche, l'exploration de données prend une grande variété de formes: application d'un modèle basé sur des données pour extraire la signification d'un ensemble de données, extraction de variables pertinentes d'un ensemble de données, puis évaluation d'un modèle sur ces variables.

L'exploration de données est un domaine d'étude très complexe et interdisciplinaire qui peut aller de l'analyse de données de base à l'exploration et à l'interprétation de données.