การเรียนรู้ของเครื่องในการดูแลสุขภาพ
ทุกวันนี้การเรียนรู้ด้วยเครื่องจักร (ซึ่งเป็นส่วนหนึ่งของวิทยาศาสตร์ปัญญาประดิษฐ์ทั้งหมด) มีบทบาทสำคัญที่สุดในหลาย ๆ ด้านของชีวิตของเรา - รวมถึงการดูแลสุขภาพ ซึ่งอาจรวมถึงแง่มุมที่แตกต่างกันที่เกี่ยวข้องกับสุขภาพเช่นการพัฒนาวิธีการทางการแพทย์ใหม่, การจัดการกับข้อมูลผู้ป่วยและผลการทำนายของการรักษาโรค
อย่างไรก็ตามเมื่อพูดถึงการทำนายผลลัพธ์ของการผ่าตัดและการรักษาทางการแพทย์อื่น ๆ ประสิทธิภาพของวิธีการเรียนรู้ด้วยเครื่องจักรเป็นที่รู้จักกันค่อนข้างน้อยในแง่ของการทำนายผลลัพธ์โดยใช้ข้อมูลที่รวบรวมจากแพทย์มนุษย์และแพทย์อื่น ๆ
การทำนายผลลัพธ์ของโรค
ในการศึกษาในวารสารสมาคมการแพทย์อเมริกัน (JAMA) เมื่อวันที่ 12 กรกฎาคม 2558 นักวิจัยจาก ศูนย์การแพทย์มหาวิทยาลัยโรเชสเตอร์ และ มหาวิทยาลัยอิลลินอยส์ รายงานว่าการเรียนรู้ด้วยเครื่องอาจทำให้แพทย์มนุษย์สามารถคาดการณ์ได้อย่างแม่นยำ ผลลัพธ์ของโรค
นักวิจัยนำโดย ศ. Paul Nierenberg ได้พัฒนาอัลกอริทึมที่ใช้ในการเก็บรวบรวมข้อมูลรวมถึงข้อมูลผู้ป่วยในการทำนายผลโรคและภาวะแทรกซ้อนในการผ่าตัดและขั้นตอนทางการแพทย์อื่น ๆ โดยการจับคู่ข้อมูลจากเวชระเบียนของผู้ป่วย โปรแกรมที่คำนวณความน่าจะเป็นของผลลัพธ์
การทำนายผลลัพธ์ของการผ่าตัด
ข้อมูลนี้สามารถใช้ในการวิเคราะห์ก่อนการผ่าตัดเพื่อคาดการณ์ผลลัพธ์ที่น่าจะเป็นของกระบวนการบางอย่าง
“ ยุคปัจจุบันของกระบวนการวินิจฉัยและการผ่าตัดเป็นการรวมกันของการจำลองด้วยคอมพิวเตอร์ของกระบวนการทั้งหมดและประวัติทางการแพทย์ของผู้ป่วย” ดร. ไบรอันมีชช์ผู้แต่งอาวุโสด้านการศึกษาและผู้อำนวยการศูนย์ข้อมูลทางการแพทย์ของมหาวิทยาลัยโรเชสเตอร์อธิบาย ศูนย์การแพทย์ "น่าเสียดายที่คอมพิวเตอร์รุ่นนี้ทำการจำลองการวิเคราะห์ความเสี่ยงและผลประโยชน์เพียงเล็กน้อยในการผ่าตัดซึ่งมักจะน้อยกว่าร้อยละหนึ่ง"
วิธีการวิเคราะห์การศึกษามีความหมายมากกว่าเพียงแค่ผลกระทบที่อาจเกิดขึ้นจากขั้นตอนที่มีต่อเงื่อนไขทางการแพทย์ของผู้รับ โดยการเปรียบเทียบความเสี่ยงของเหตุการณ์ไม่พึงประสงค์ในการผ่าตัดสำหรับคนทุกวัยมันเป็นสมมติฐานว่าจะมีการดำเนินการจำนวนมากก่อนการวินิจฉัยดังนั้นในช่วงอายุที่แตกต่างกัน
งานวิจัยใหม่วิเคราะห์ข้อมูลจากการดำเนินงานกว่า 6,000 รายการในช่วงระยะเวลา 40 ปีในสหรัฐอเมริกาซึ่งเป็นประชากรที่มีขนาดใหญ่เป็นอันดับสองที่มีข้อมูลดังกล่าว
การพัฒนายาใหม่
การใช้เครื่องเรียนรู้ในการค้นพบยาเบื้องต้น (ระยะแรก) มีศักยภาพสำหรับการใช้งานที่หลากหลายตั้งแต่การคัดกรองเบื้องต้นของสารประกอบยาจนถึงการทำนายอัตราความสำเร็จตามปัจจัยทางชีวภาพ
มันสามารถช่วยทำนายประสิทธิภาพของยาและความปลอดภัย (ซึ่งเป็นหนึ่งในเป้าหมายหลักของการพัฒนายาใหม่) รวมถึงให้ข้อมูลเกี่ยวกับส่วนผสมใหม่ที่อาจพัฒนาเป็นยาใหม่
วิธีการใหม่ในการพัฒนายาใหม่นี้มีความสำคัญเนื่องจากวิธีการปัจจุบันขึ้นอยู่กับการสันนิษฐานว่าแต่ละสารประกอบมีเป้าหมายเฉพาะที่ได้รับการศึกษาเป็นอย่างดีซึ่ง จำกัด การพัฒนายาใหม่ให้กับสารประกอบกลุ่มเล็ก ๆ นอกจากนี้ข้อสันนิษฐานก็คือสารประกอบที่ "ดีที่สุด" นั้นเป็นสารประกอบแรกที่ไปถึงการทดลองทางคลินิก
ซึ่งหมายความว่าสารประกอบหลายชนิดที่ไม่เป็นอันตรายอาจมีเพียงผลอ่อนแอหรืออาจพิสูจน์ว่าเป็นอันตรายในปริมาณสูงสามารถได้รับการอนุมัติจาก FDA แม้ว่าสารประกอบเหล่านี้ไม่สามารถศึกษาได้อย่างน่าเชื่อถือเนื่องจากอาจเป็นอันตรายต่อปริมาณที่เพิ่มขึ้น
การทำเหมืองข้อมูล
การขุดข้อมูลเป็นสาขาที่มีความสำคัญมากขึ้นในการศึกษาด้านสาธารณสุข ด้วยการปฏิบัติงานที่หลากหลายเช่นการเรียนรู้ของเครื่องจักรในการค้นหาการขุดข้อมูลจึงมีหลากหลายรูปแบบ: การใช้แบบจำลองบนพื้นฐานของข้อมูลเพื่อดึงความหมายจากชุดข้อมูลการแยกตัวแปรที่เกี่ยวข้องจากชุดข้อมูลแล้วประเมินแบบจำลอง กับตัวแปรเหล่านี้
การทำเหมืองข้อมูลเป็นสาขาวิชาที่มีความซับซ้อนสูงและสหวิทยาการที่อาจมีตั้งแต่การวิเคราะห์ข้อมูลพื้นฐานไปจนถึงการทำเหมืองข้อมูลและการตีความข้อมูล
สุขภาพไอที