Gépi tanulás az egészségügyben

Manapság a gépi tanulás (amely az egész mesterséges intelligencia-tudomány része) életünk számos területén az egyik legnagyobb szerepet tölti be - ideértve az egészségügyet is. Ez magában foglalhat különböző egészséggel kapcsolatos szempontokat, például új orvosi eljárások kidolgozását, a betegadatok kezelését és a betegségek kezelésének előrejelzését .

A műtétek és más gyógykezelések kimenetelének előrejelzésével kapcsolatban azonban a gépi tanulási módszerek hatékonysága csak némileg ismert, legalábbis az emberi orvosoktól és más orvosoktól gyűjtött adatok felhasználásával történő előrejelzés szempontjából.

A betegség kimenetelének előrejelzése

A Journal of the American Medical Association (JAMA) 2015. július 12-i tanulmányában a Rochesteri Egyetem Orvosi Központjának és az Illinoisi Egyetem kutatói arról számolnak be, hogy a gépi tanulás lehetővé teheti az emberi orvosok számára, hogy viszonylag pontos előrejelzéseket tegyenek betegség kimenetele.

A kutatók Paul Nierenberg professzor vezetésével olyan algoritmust fejlesztettek ki, amely adatgyűjteményt használ, beleértve a betegadatokat is, hogy megjósolja a betegség és a szövődmények kimenetelét a műtétben és más orvosi eljárásokban, a betegek orvosi nyilvántartásaiból származó információknak a számítógéppel összevetve. programok, amelyek kiszámítják az eredmény valószínűségét.

A műtétek kimenetelének előrejelzése

Ezeket az információkat a műtét előtti elemzések során fel lehet használni egy bizonyos eljárás várható kimenetelének előrejelzésére.

"A diagnosztikai és sebészeti eljárások jelenlegi generációja az egész eljárás és a beteg kórtörténetének számítógépes szimulációjának kombinációja" - magyarázza Dr. Brian Meech, a tanulmány vezető szerzője és a Rochesteri Egyetem Orvosi Információs Központjának igazgatója Egészségközpont. "Sajnos a számítógépes modellek a kockázat-haszon elemzést csak a műtéti eljárások viszonylag kis hányadában szimulálják, gyakran kevesebb, mint egy százalékot."

A vizsgálat elemzési módszere nemcsak az eljárásnak a befogadó egészségi állapotára gyakorolt lehetséges hatásait érintette. Összehasonlítva a nemkívánatos események kockázatát a műtéti beavatkozások során minden életkorú ember számára, feltételezték, hogy a diagnózis előtt és ennélfogva más korosztályban nagyobb számú eljárást végeztek volna, így kevésbé kockázatosak lennének a káros hatások szempontjából.

Az új kutatás egy 40 éves periódus alatt több mint 6000 művelet adatait elemezte az Egyesült Államokban, a második legnagyobb populációban, ahol ilyen adatok álltak rendelkezésre.

Új gyógyszerek kifejlesztése

A gépi tanulás alkalmazása az előzetes (korai stádiumú) gyógyszerfelfedezésben különféle felhasználási lehetőségeket rejt magában, a gyógyszervegyületek kezdeti szűrésétől kezdve a biológiai tényezők alapján előre jelzett sikerarányig.

Ez potenciálisan elősegítheti a gyógyszer hatékonyságának és biztonságosságának előrejelzését (ami az új gyógyszerek kifejlesztésének egyik fő célja), valamint információt nyújt az új összetevőkről, amelyek potenciálisan új gyógyszerekké fejlődnek.

Ez az új megközelítés az új gyógyszerek kifejlesztésében azért fontos, mert a jelenlegi megközelítések azon a feltételezésen alapulnak, hogy minden vegyületnek van egy sajátos, jól tanulmányozott célpontja, amely az új gyógyszerek kifejlesztését a vegyületek kis csoportjaira korlátozza. Feltételezték továbbá, hogy a "legjobb" vegyület az első, amely eljut a klinikai vizsgálatokba.

Ez azt jelenti, hogy sok olyan vegyület, amely nem árthat, csak gyengén hat, vagy nagy dózisban károsnak bizonyulhat, megkapja az FDA jóváhagyását, annak ellenére, hogy ezeket a vegyületeket nem lehet megbízhatóan tanulmányozni, mivel a dózis növelésével ártalmasabbak lehetnek.

Adatbányászat

Az adatbányászat egyre fontosabb terület a közegészségügy területén. Különböző feladatok végrehajtásával, például gépi tanulással a keresés során, az adatbányászat sokféle formát ölthet: az adatokon alapuló modell alkalmazása az adatkészlet jelentésének kivonására, a releváns változók kivonása az adatkészletből, majd a modell értékelése ezekre a változókra.

Az adatbányászat egy rendkívül összetett és interdiszciplináris tanulmányi terület, amely az alapadatok elemzésétől az adatbányászatig és az adatok értelmezéséig terjedhet.