Uczenie maszynowe w służbie zdrowia

W dzisiejszych czasach uczenie maszynowe (które jest częścią całej nauki o sztucznej inteligencji) odgrywa jedną z największych ról w wielu obszarach naszego życia - w tym w opiece zdrowotnej . Może to obejmować różne aspekty zdrowotne, takie jak opracowanie nowych procedur medycznych, postępowanie z danymi pacjentów i przewidywanie wyników leczenia chorób .

Jednak jeśli chodzi o przewidywanie wyniku operacji i innych zabiegów medycznych, skuteczność metod uczenia maszynowego jest tylko nieco znana, przynajmniej jeśli chodzi o przewidywanie wyniku na podstawie danych zebranych od ludzkich lekarzy i innych lekarzy.

Prognozowanie wyników choroby

Teraz, w badaniu w Journal of the American Medical Association (JAMA) z 12 lipca 2015 r., Naukowcy z University of Rochester Medical Center i University of Illinois informują, że uczenie maszynowe może pozwolić lekarzom ludzkim na dokonywanie stosunkowo dokładnych prognoz dotyczących wyniki choroby.

Badacze pod kierunkiem prof. Paula Nierenberga opracowali algorytm, który wykorzystuje zbiór danych, w tym danych pacjentów, do przewidywania choroby i powikłań w chirurgii i innych procedurach medycznych poprzez dopasowanie informacji z dokumentacji medycznej pacjentów do informacji z komputera programy, które obliczają prawdopodobieństwo wyniku.

Prognozowanie wyników operacji

Informacje te można następnie wykorzystać w analizach przed zabiegiem chirurgicznym, aby przewidzieć prawdopodobne wyniki określonej procedury.

„Obecna generacja procedur diagnostycznych i chirurgicznych stanowi połączenie komputerowej symulacji całego zabiegu i historii medycznej pacjenta” - wyjaśnia dr Brian Meech, starszy autor badania i dyrektor Centrum Informacji Medycznej na Uniwersytecie w Rochester Centrum Medyczne. „Niestety modele komputerowe symulują analizę ryzyka i korzyści jedynie w stosunkowo niewielkiej części zabiegów chirurgicznych, często mniej niż jeden procent”.

Metoda analizy badania miała wpływ nie tylko na potencjalny wpływ zabiegu na stan zdrowia biorcy. Porównując ryzyko zdarzeń niepożądanych w trakcie zabiegów chirurgicznych u osób w każdym wieku, postawiono hipotezę, że większą liczbę zabiegów wykonano by przed diagnozą, a zatem w innym przedziale wiekowym, co czyni je mniej ryzykownymi dla działań niepożądanych.

W nowych badaniach przeanalizowano dane z ponad 6000 operacji w ciągu 40 lat w USA, drugiej co do wielkości populacji, w której takie dane były dostępne.

Rozwój nowych leków

Wykorzystanie uczenia maszynowego we wstępnym (wczesnym etapie) odkrywaniu leków może mieć różne zastosowania, od wstępnych badań przesiewowych związków leków po przewidywane wskaźniki sukcesu oparte na czynnikach biologicznych.

Może potencjalnie pomóc w przewidywaniu skuteczności i bezpieczeństwa leków (co jest jednym z głównych celów opracowywania nowych leków), a także dostarczyć informacji o nowych składnikach, które potencjalnie rozwijają się w nowe leki.

To nowe podejście do opracowywania nowych leków jest ważne, ponieważ obecne podejścia opierają się na założeniu, że każdy związek ma konkretny, dobrze zbadany cel, który ogranicza rozwój nowych leków do małych grup związków. Założono również, że „najlepszy” związek jest pierwszym, który przeszedł próby kliniczne.

Oznacza to, że wiele związków, które mogą nie wyrządzić szkody, mogą mieć jedynie słaby efekt lub mogą okazać się szkodliwe przy wysokich dawkach, mogą uzyskać zgodę FDA, nawet jeśli związków tych nie można wiarygodnie zbadać, ponieważ mogą być bardziej szkodliwe przy zwiększaniu dawki.

Data Mining

Eksploracja danych jest coraz ważniejszym obszarem badań w dziedzinie zdrowia publicznego . Wykonując różnorodne zadania, takie jak uczenie maszynowe w wyszukiwaniu, eksploracja danych przybiera wiele różnych form: zastosowanie modelu opartego na danych w celu wydobycia znaczenia ze zbioru danych, wyodrębnienie odpowiednich zmiennych ze zbioru danych, a następnie ocena modelu na tych zmiennych.

Eksploracja danych jest wysoce złożonym i interdyscyplinarnym obszarem badań, który może obejmować podstawowe analizy danych, eksplorację danych i ich interpretację.