Maskininlärning inom hälsovård

Numera spelar maskininlärning (som är en del av hela kunskapen om konstgjord intelligens) en av de största rollerna inom många områden i vårt liv - inklusive hälso- och sjukvård . Detta kan omfatta olika hälsorelaterade aspekter som utveckling av nya medicinska förfaranden, hantering av patientdata och förutsäga resultat av behandlingen av sjukdomar .

Men när det gäller att förutsäga resultatet av operationer och andra medicinska behandlingar, är effektiviteten av maskininlärningsmetoder bara något känd, åtminstone när det gäller att förutsäga resultatet med hjälp av data som samlats in från mänskliga läkare och andra läkare.

Förutsägelse av sjukdomens resultat

Nu, i en studie i Journal of the American Medical Association (JAMA) den 12 juli 2015, rapporterar forskare från University of Rochester Medical Center och University of Illinois att maskininlärning kan tillåta mänskliga läkare att göra relativt noggranna förutsägelser om sjukdomsresultat.

Forskarna, ledd av prof. Paul Nierenberg , har utvecklat en algoritm som använder en insamling av data, inklusive patientdata, för att förutsäga sjukdomen och komplikationsresultaten i kirurgi och andra medicinska procedurer genom att matcha information från patientens medicinska register med information från datorn program som beräknar sannolikheterna för resultatet.

Förutsägelse av resultat av operationer

Denna information kan sedan användas i analyser före kirurgi för att förutse de troliga resultaten av en viss procedur.

"Den nuvarande generationen av diagnostiska och kirurgiska ingrepp är en kombination av datoriserad simulering av hela proceduren och patientens medicinska historia," förklarar Dr. Brian Meech, seniorförfattare på studien och chef för Center for Medical Information vid University of Rochester Sjukhus. "Tyvärr simulerar datormodellerna bara risk-nyttoanalys i en relativt liten bråkdel av kirurgiska ingrepp, ofta mindre än en procent."

Studiens analysmetod hade konsekvenser utöver bara de potentiella effekterna av förfarandet på mottagarens medicinska tillstånd. Genom att jämföra risken för biverkningar mellan kirurgiska ingrepp för människor i alla åldrar antogs det att ett större antal procedurer skulle ha utförts före diagnos och därför i ett annat åldersintervall, vilket gjorde dem mindre riskabla för biverkningar.

Den nya forskningen analyserade data från över 6 000 operationer under en 40-årsperiod i USA, den näst största befolkningen där sådana data fanns tillgängliga.

Utveckling av nya mediciner

Användningen av maskininlärning vid preliminär (tidigt) läkemedelsupptäckt har potential för olika användningsområden, från initial screening av läkemedelsföreningar till förutsagd framgångsgrad baserad på biologiska faktorer.

Det kan potentiellt hjälpa till att förutsäga läkemedlets effektivitet och säkerhet (som är ett av huvudmålen för utvecklingen av nya mediciner), samt ge information om nya ingredienser som potentiellt utvecklas till nya mediciner.

Detta nya tillvägagångssätt för utveckling av nya mediciner är viktigt eftersom nuvarande tillvägagångssätt förlitar sig på antagandet att varje förening har ett specifikt, väl studerat mål, som begränsar utvecklingen av nya mediciner till små grupper av föreningar. Antagandet har också varit att den "bästa" föreningen är den första som når kliniska prövningar.

Detta innebär att många föreningar som inte kan göra någon skada, bara kan ha en svag effekt eller kan vara skadliga vid höga doser kan få FDA-godkännande, även om dessa föreningar inte kan studeras på ett tillförlitligt sätt eftersom de kan vara mer skadliga med ökande dos.

Data Mining

Data mining är ett allt viktigare studierområde inom folkhälsan . Genom att utföra en mängd olika uppgifter, såsom maskininlärning i sökning, tar data mining en mängd olika former: tillämpa en modell baserad på data för att extrahera mening från en datamängd, extrahera relevanta variabler från en datamängd och sedan utvärdera en modell på dessa variabler.

Data mining är ett mycket komplicerat och tvärvetenskapligt fält som kan sträcka sig från grundläggande dataanalys till data mining och datatolkning.