Învățarea mecanică în asistența medicală

În zilele noastre, învățarea mașinii (care face parte din întreaga știință a inteligenței artificiale) joacă unul dintre cele mai mari roluri în multe domenii ale vieții noastre - inclusiv asistența medicală. Aceasta poate include diferite aspecte legate de sănătate, cum ar fi dezvoltarea de noi proceduri medicale, tratarea datelor despre pacienți și prezicerea rezultatelor tratamentului bolilor .

Cu toate acestea, atunci când este vorba de a prezice rezultatul intervențiilor chirurgicale și al altor tratamente medicale, eficacitatea metodelor de învățare automată este doar oarecum cunoscută, cel puțin în ceea ce privește prezicerea rezultatului folosind date culese de la medicii umani și alți medici.

Prezicerea rezultatelor bolilor

Acum, într-un studiu apărut în Jurnalul Asociației Medicale Americane (JAMA) din 12 iulie 2015, cercetătorii de la Universitatea din Rochester Medical Center și Universitatea din Illinois raportează că învățarea automată poate permite medicilor umani să facă predicții relativ exacte despre rezultatele bolii.

Cercetătorii, conduși de prof. Paul Nierenberg, au dezvoltat un algoritm care folosește o colecție de date, inclusiv date despre pacienți, pentru a prezice rezultatele bolii și complicațiilor în chirurgie și alte proceduri medicale prin potrivirea informațiilor din fișele medicale ale pacienților cu informațiile de la computer. programe care calculează probabilitățile rezultatului.

Prezicerea rezultatelor intervențiilor chirurgicale

Aceste informații pot fi apoi utilizate în analizele pre-chirurgie pentru a anticipa rezultatele posibile ale unei anumite proceduri.

"Generația actuală de proceduri diagnostice și chirurgicale este o combinație între simularea computerizată a întregii proceduri și istoricul medical al pacientului", explică dr. Brian Meech, autor principal al studiului și director al Centrului pentru Informații Medicale de la Universitatea din Rochester Centru medical. "Din pacate, modelele de computer simuleaza doar analiza risc-beneficiu intr-o fractiune relativ mica din procedurile chirurgicale, adesea mai putin de un procent".

Metoda de analiză a studiului a avut implicații dincolo de efectele potențiale ale procedurii asupra stării medicale a destinatarului. Prin compararea riscului de evenimente adverse la toate procedurile chirurgicale pentru persoanele de toate vârstele, s-a emis ipoteza că un număr mai mare de proceduri ar fi fost efectuate înainte de diagnostic și, prin urmare, într-o gamă diferită de vârstă, ceea ce le face mai puțin riscante pentru rezultate adverse.

Noua cercetare a analizat datele din peste 6.000 de operațiuni pe parcursul unei perioade de 40 de ani în SUA, a doua populație cea mai mare în care aceste date erau disponibile.

Dezvoltarea de noi medicamente

Utilizarea învățării automate în descoperirea preliminară (în stadiul incipient) a medicamentului are potențialul pentru diverse utilizări, de la screeningul inițial al compușilor medicamentului până la rata de succes prevăzută pe factori biologici.

Poate ajuta la prezicerea eficacității și siguranței medicamentului (care este unul dintre obiectivele principale ale dezvoltării de noi medicamente), precum și oferă informații despre noile ingrediente care se dezvoltă potențial în noi medicamente.

Această nouă abordare a dezvoltării de noi medicamente este importantă, deoarece abordările actuale se bazează pe presupunerea că fiecare compus are o țintă specifică, bine studiată, care limitează dezvoltarea de noi medicamente la grupuri mici de compuși. De asemenea, presupunerea a fost că cel mai bun compus este primul care a ajuns la studii clinice.

Acest lucru înseamnă că mulți compuși care nu ar face rău, ar putea avea doar un efect slab sau ar putea dovedi nocive la doze mari pot obține aprobarea FDA, chiar dacă acești compuși nu pot fi studiați în mod fiabil, deoarece pot fi mai nocivi odată cu doza crescândă.

Minerirea datelor

Minerirea datelor este un domeniu de studiu din ce în ce mai important în sănătatea publică. Efectuând o varietate de sarcini, cum ar fi învățarea automată în căutare, extragerea de date ia o mare varietate de forme: aplicarea unui model bazat pe date pentru extragerea sensului dintr-un set de date, extragerea variabilelor relevante dintr-un set de date și apoi evaluarea unui model pe aceste variabile.

Minerirea datelor este un domeniu de studiu extrem de complex și interdisciplinar, care poate varia de la analiza de bază a datelor până la extragerea datelor și interpretarea datelor.