Maskinlæring i helsevesenet

I dag spiller maskinlæring (som er en del av hele kunstig intelligensvitenskap) en av de største rollene i mange områder av livet vårt - inkludert helsetjenester. Dette kan omfatte forskjellige helserelaterte aspekter som utvikling av nye medisinske prosedyrer, håndtering av pasientdata og forutsi resultat av behandling av sykdommer .

Imidlertid, når det gjelder å forutsi resultatet av operasjoner og andre medisinske behandlinger, er effektiviteten av maskinlæringsmetoder bare noe kjent, i det minste når det gjelder å forutsi utfallet ved hjelp av data samlet fra menneskelige leger og andre leger.

Forutsigelse av sykdomsutfall

Nå, i en studie i Journal of the American Medical Association (JAMA) 12. juli 2015, rapporterer forskere fra University of Rochester Medical Center og University of Illinois at maskinlæring kan tillate menneskelige leger å gjøre relativt nøyaktige spådommer av sykdomsutfall.

Forskerne, ledet av prof. Paul Nierenberg, har utviklet en algoritme som bruker en samling data, inkludert pasientdata, for å forutsi sykdoms- og komplikasjonsutfall i kirurgi og andre medisinske prosedyrer ved å matche informasjon fra pasientens medisinske journaler med informasjon fra datamaskinen. programmer som beregner sannsynligheten for utfallet.

Prediksjon av operasjonsresultater

Denne informasjonen kan deretter brukes i analyser før kirurgi for å forutse de sannsynlige resultatene av en bestemt prosedyre.

"Den nåværende generasjonen av diagnostiske og kirurgiske prosedyrer er en kombinasjon av datastyrt simulering av hele prosedyren og pasientens medisinske historie," forklarer Dr. Brian Meech, seniorforfatter i studien og direktør for Center for Medical Information ved University of Rochester. Medisinsk senter. "Dessverre simulerer datamodellene bare risiko-nytte-analyse i en relativt liten brøkdel av kirurgiske inngrep, ofte mindre enn en prosent."

Studiens analysemetode hadde implikasjoner utover bare de potensielle effektene av prosedyren på mottakerens medisinske tilstand. Ved å sammenligne risikoen for uønskede hendelser på tvers av kirurgiske prosedyrer for mennesker i alle aldre, ble det antatt at et større antall prosedyrer ville blitt utført før diagnosen og derfor i et annet aldersintervall, noe som gjør dem mindre risikable for uønskede resultater.

Den nye forskningen analyserte dataene fra over 6000 operasjoner i løpet av en 40-årsperiode i USA, den nest største befolkningen der slike data var tilgjengelige.

Utvikling av nye medisiner

Bruk av maskinlæring i foreløpig (tidlig stadium) legemiddeloppdagelse har potensial for ulike bruksområder, fra første screening av medikamentforbindelser til forutsagt suksessrate basert på biologiske faktorer.

Det kan potensielt bidra til å forutsi legemiddeleffektivitet og sikkerhet (som er et av hovedmålene for utvikling av nye medisiner), samt gi informasjon om nye ingredienser som potensielt utvikler seg til nye medisiner.

Denne nye tilnærmingen til utvikling av nye medisiner er viktig fordi dagens tilnærminger er avhengige av antagelsen om at hver forbindelse har et spesifikt, godt studert mål, som begrenser utviklingen av nye medisiner til små grupper av forbindelser. Antagelsen har også vært at den "beste" forbindelsen er den første som når kliniske studier.

Dette betyr at mange forbindelser som ikke kan skade, kan ha en svak effekt eller kan vise seg å være skadelige ved høye doser, kan få FDA-godkjenning, selv om disse forbindelsene ikke kan studeres pålitelig, da de kan være mer skadelige med økende dose.

Datautvinning

Datautvinning er et stadig viktigere felt innen folkehelse. Ved å utføre en rekke oppgaver, for eksempel maskinlæring i søk, tar data mining et bredt utvalg av former: å bruke en modell basert på data for å trekke ut mening fra et datasett, trekke ut relevante variabler fra et datasett, og deretter evaluere en modell på disse variablene.

Data mining er et svært komplekst og tverrfaglig studieretning som kan variere fra grunnleggende dataanalyse til data mining og datatolkning.