Machine learning in de gezondheidszorg

Tegenwoordig speelt machine leren (dat deel uitmaakt van de gehele kunstmatige-intelligentiewetenschap) een van de grootste rollen op veel gebieden van ons leven – inclusief gezondheidszorg . Dit kan verschillende gezondheidsgerelateerde aspecten omvatten, zoals de ontwikkeling van nieuwe medische procedures, het omgaan met patiëntgegevens en het voorspellen van de resultaten van de behandeling van ziekten .

Als het gaat om het voorspellen van de uitkomst van operaties en andere medische behandelingen, is de effectiviteit van methoden voor machinaal leren echter slechts enigszins bekend, althans in termen van het voorspellen van de uitkomst met behulp van gegevens verzameld door menselijke artsen en andere artsen.

Voorspelling van uitkomsten van ziekten

Nu, in een studie in het Journal of the American Medical Association (JAMA) op 12 juli 2015, melden onderzoekers van de University of Rochester Medical Center en de University of Illinois dat machinaal leren menselijke artsen in staat kan stellen om relatief nauwkeurige voorspellingen te doen van ziekte uitkomsten.

De onderzoekers, geleid door prof. Paul Nierenberg , hebben een algoritme ontwikkeld dat een verzameling gegevens, waaronder patiëntgegevens, gebruikt om de ziekte- en complicatieresultaten in chirurgie en andere medische procedures te voorspellen door informatie uit de medische dossiers van patiënten te vergelijken met informatie van de computer programma’s die de waarschijnlijkheden van de uitkomst berekenen.

Voorspelling van operatieve uitkomsten

Deze informatie kan vervolgens worden gebruikt in pre-chirurgische analyses om te anticiperen op de waarschijnlijke resultaten van een bepaalde procedure.

“De huidige generatie diagnostische en chirurgische procedures is een combinatie van geautomatiseerde simulatie van de hele procedure en de medische geschiedenis van de patiënt”, legt Dr. Brian Meech uit, senior auteur van de studie en directeur van het Center for Medical Information aan de Universiteit van Rochester. Medisch Centrum. “Helaas simuleren de computermodellen alleen een risico-batenanalyse in een relatief kleine fractie van chirurgische procedures, vaak minder dan één procent.”

De analysemethode van het onderzoek had implicaties die verder gingen dan alleen de mogelijke effecten van de procedure op de medische toestand van de ontvanger. Door het risico van ongewenste voorvallen in chirurgische procedures voor mensen van alle leeftijden te vergelijken, werd de hypothese verondersteld dat een groter aantal procedures zou zijn uitgevoerd voorafgaand aan de diagnose en daarom in een ander leeftijdsbereik, waardoor ze minder riskant zijn voor nadelige resultaten.

Het nieuwe onderzoek analyseerde de gegevens van meer dan 6.000 operaties gedurende een periode van 40 jaar in de VS, de tweede grootste populatie waar dergelijke gegevens beschikbaar waren.

Ontwikkeling van nieuwe medicijnen

Het gebruik van machine leren bij voorlopige (vroege fase) geneesmiddelenontdekking heeft het potentieel voor verschillende toepassingen, van eerste screening van geneesmiddelen tot voorspelde succespercentages op basis van biologische factoren.

Het kan mogelijk helpen bij het voorspellen van de werkzaamheid en veiligheid van geneesmiddelen (wat een van de hoofddoelen van de ontwikkeling van nieuwe medicijnen is), en het kan ook informatie verschaffen over nieuwe ingrediënten die zich mogelijk ontwikkelen tot nieuwe medicijnen.

Deze nieuwe benadering voor de ontwikkeling van nieuwe medicijnen is belangrijk omdat de huidige benaderingen uitgaan van de veronderstelling dat elke verbinding een specifiek, goed bestudeerd doel heeft, dat de ontwikkeling van nieuwe medicijnen beperkt tot kleine groepen verbindingen. De veronderstelling is ook dat de “beste” verbinding de eerste is die klinische proeven bereikt.

Dit betekent dat veel verbindingen die mogelijk geen kwaad doen, slechts een zwak effect hebben of schadelijk kunnen zijn bij hoge doses, goedkeuring van de FDA kunnen krijgen, hoewel deze verbindingen niet betrouwbaar kunnen worden bestudeerd, omdat ze schadelijker kunnen zijn bij toenemende doses.

Datamining

Datamining is een steeds belangrijker onderzoeksgebied in de volksgezondheid . Door verschillende taken uit te voeren, zoals machinaal leren bij het zoeken, neemt datamining een breed scala aan vormen aan: een model op basis van gegevens toepassen om betekenis uit een gegevensset te extraheren, relevante variabelen uit een gegevensset extraheren en vervolgens een model evalueren op deze variabelen.

Datamining is een zeer complex en interdisciplinair vakgebied dat kan variëren van elementaire data-analyse tot datamining en data-interpretatie.

Gezondheid IT