Машинное обучение в здравоохранении

В настоящее время машинное обучение (которое является частью всей науки об искусственном интеллекте) играет одну из самых важных ролей во многих областях нашей жизни, включая здравоохранение. Это может включать различные аспекты, связанные со здоровьем, такие как разработка новых медицинских процедур, работа с данными пациента и прогнозирование результатов лечения заболеваний .

Тем не менее, когда речь идет о прогнозировании результатов операций и других медицинских процедур, эффективность методов машинного обучения известна лишь в некоторой степени, по крайней мере, с точки зрения прогнозирования результатов с использованием данных, полученных от врачей-людей и других врачей.

Прогнозирование результатов заболевания

Теперь, в исследовании, опубликованном в журнале Американской медицинской ассоциации (JAMA) 12 июля 2015 года, исследователи из Медицинского центра Университета Рочестера и Университета Иллинойса сообщают, что машинное обучение может позволить врачам-людям делать относительно точные прогнозы результаты болезни.

Исследователи во главе с профессором Полом Ниренбергом разработали алгоритм, который использует сбор данных, включая данные пациентов, для прогнозирования результатов заболеваний и осложнений в хирургии и других медицинских процедурах путем сопоставления информации из медицинских карт пациентов с информацией из компьютера. программы, которые рассчитывают вероятность результата.

Прогнозирование результатов операций

Эта информация может затем использоваться в предоперационном анализе для прогнозирования вероятных результатов определенной процедуры.

«Нынешнее поколение диагностических и хирургических процедур представляет собой сочетание компьютерного моделирования всей процедуры и истории болезни пациента», - объясняет доктор Брайан Мич, старший автор исследования и директор Центра медицинской информации при Рочестерском университете. Медицинский центр. «К сожалению, компьютерные модели имитируют анализ риска и пользы только в относительно небольшой части хирургических процедур, часто менее одного процента».

Метод анализа исследования имел последствия не только для потенциального влияния процедуры на состояние здоровья реципиента. Сравнивая риск возникновения побочных эффектов при хирургических вмешательствах для людей всех возрастов, было выдвинуто предположение, что большее количество процедур было бы выполнено до постановки диагноза и, следовательно, в другом возрастном диапазоне, что делает их менее рискованными для неблагоприятных исходов.

Новое исследование проанализировало данные более чем 6000 операций за 40-летний период в США, второй по величине группе населения, где такие данные были доступны.

Разработка новых лекарств

Использование машинного обучения при предварительном (раннем) обнаружении лекарственного средства имеет потенциал для различных применений, от первоначального скрининга лекарственных соединений до прогнозируемого уровня успеха на основе биологических факторов.

Это может потенциально помочь предсказать эффективность и безопасность лекарств (что является одной из основных целей разработки новых лекарств), а также предоставить информацию о новых ингредиентах, которые потенциально превращаются в новые лекарства.

Этот новый подход к разработке новых лекарств важен, потому что современные подходы основаны на предположении, что каждое соединение имеет определенную, хорошо изученную цель, которая ограничивает разработку новых лекарств небольшими группами соединений. Кроме того, предполагалось, что «лучшее» соединение является первым, которое достигнет клинических испытаний.

Это означает, что многие соединения, которые не могут причинить вреда, могут иметь слабый эффект или могут оказаться вредными при высоких дозах, могут получить одобрение FDA, даже если эти соединения не могут быть надежно изучены, поскольку они могут быть более вредными при увеличении дозы.

Сбор данных

Интеллектуальный анализ данных становится все более важной областью исследований в области общественного здравоохранения. Выполняя множество задач, таких как машинное обучение в поиске, интеллектуальный анализ данных принимает самые разные формы: применение модели на основе данных для извлечения значения из набора данных, извлечение соответствующих переменных из набора данных, а затем оценка модели на этих переменных.

Интеллектуальный анализ данных является очень сложной и междисциплинарной областью исследования, которая может варьироваться от базового анализа данных до интеллектуального анализа данных и их интерпретации.