Strojno učenje u zdravstvu

U današnje vrijeme strojno učenje (koje je dio cjelokupne znanosti o umjetnoj inteligenciji) igra jednu od najvećih uloga u mnogim područjima našega života - uključujući zdravstvo . To može uključivati različite zdravstvene aspekte poput razvoja novih medicinskih postupaka, postupanja s podacima o pacijentima i predviđanja ishoda liječenja bolesti .

Međutim, što se tiče predviđanja ishoda operacija i drugih medicinskih tretmana, djelotvornost metoda strojnog učenja samo je donekle poznata, barem u smislu predviđanja ishoda pomoću podataka prikupljenih od ljudskih liječnika i drugih liječnika.

Predviđanje ishoda bolesti

U studiji u Journal of American Medical Association (JAMA) 12. srpnja 2015. istraživači s Medicinskog centra Sveučilišta Rochester i Sveučilišta Illinois izvještavaju da strojno učenje može omogućiti ljudskim liječnicima relativno precizna predviđanja ishodi bolesti.

Istraživači, predvođeni prof. Paulom Nierenbergom , razvili su algoritam koji koristi zbirku podataka, uključujući podatke o pacijentima, za predviđanje ishoda bolesti i komplikacija u kirurgiji i drugim medicinskim postupcima usklađivanjem podataka iz medicinske evidencije pacijenata s informacijama s računala programi koji izračunavaju vjerojatnost ishoda.

Predviđanje ishoda operacija

Te se informacije zatim mogu koristiti u analizama prije operacije kako bi se predvidjeli vjerojatni ishodi određenog postupka.

"Trenutna generacija dijagnostičkih i kirurških zahvata kombinacija je računalne simulacije cjelokupnog postupka i povijesti bolesti pacijenta", objašnjava dr. Brian Meech, viši autor studije i direktor Centra za medicinske informacije na Sveučilištu Rochester Medicinski centar. "Nažalost, računalni modeli simuliraju samo analizu rizika i koristi u relativno malom dijelu kirurških zahvata, često manjem od jednog posto."

Metoda analize studije imala je implikacije izvan potencijalnih učinaka postupka na zdravstveno stanje primatelja. Usporedbom rizika od neželjenih događaja u kirurškim zahvatima za ljude svih dobnih skupina pretpostavljeno je da bi veći broj zahvata bio izveden prije dijagnoze, a samim time i u različitim dobnim rasponima, što bi ih učinilo manje rizičnim za nepovoljne ishode.

Novo istraživanje analiziralo je podatke iz preko 6000 operacija tijekom 40-godišnjeg razdoblja u SAD-u, drugoj najvećoj populaciji u kojoj su takvi podaci bili dostupni.

Razvoj novih lijekova

Korištenje strojnog učenja u preliminarnom (ranom stadiju) otkrivanja lijekova potencijalno je za razne primjene, od početnog probira spojeva lijekova do predviđene stope uspjeha na temelju bioloških čimbenika.

Potencijalno može pomoći u predviđanju djelotvornosti i sigurnosti lijekova (što je jedan od glavnih ciljeva razvoja novih lijekova), kao i pružanje informacija o novim sastojcima koji se potencijalno mogu razviti u nove lijekove.

Ovaj novi pristup razvoju novih lijekova važan je jer se trenutni pristupi oslanjaju na pretpostavku da svaki spoj ima specifičan, dobro proučen cilj, koji ograničava razvoj novih lijekova na male skupine spojeva. Također, pretpostavka je bila da je "najbolji" spoj prvi koji je stigao do kliničkih ispitivanja.

To znači da mnogi spojevi koji ne mogu naštetiti, mogu imati samo slab učinak ili se mogu pokazati štetnima u visokim dozama mogu dobiti odobrenje FDA, iako se ti spojevi ne mogu pouzdano proučavati, jer mogu biti štetniji s povećanjem doze.

Data mining

Istraživanje podataka sve je važnije područje proučavanja u javnom zdravstvu . Izvođenjem različitih zadataka, poput strojnog učenja u pretraživanju, rudarenje podataka ima široku raznolikost oblika: primjenom modela na temelju podataka za izdvajanje značenja iz skupa podataka, izvlačenjem relevantnih varijabli iz skupa podataka, a zatim vrednovanjem modela na ove varijable.

Rudarstvo podataka vrlo je složeno i interdisciplinarno područje proučavanja koje se može kretati od osnovne analize podataka do rudarenja podataka i interpretacije podataka.