Sağlık Hizmetlerinde Makine Öğrenmesi

Günümüzde, makine öğrenimi (tüm yapay zeka biliminin bir parçası olan) sağlık dahil olmak üzere hayatımızın birçok alanında en büyük rollerden birini oynamaktadır . Bu, yeni tıbbi prosedürlerin geliştirilmesi, hasta verileriyle ilgilenme ve hastalıkların tedavisinin sonuçlarını tahmin etme gibi sağlıkla ilgili farklı yönleri içerebilir .

Bununla birlikte, ameliyatların ve diğer tıbbi tedavilerin sonucunu tahmin etmek söz konusu olduğunda, makine öğrenme yöntemlerinin etkinliği, en azından insan doktorlardan ve diğer doktorlardan toplanan verileri kullanarak sonucu tahmin etmek açısından sadece bir şekilde bilinmektedir.

Hastalık Sonuçlarının Tahmini

Şimdi, Journal of the American Medical Association’da (JAMA) 12 Temmuz 2015’te yapılan bir çalışmada , Rochester Üniversitesi Tıp Merkezi ve Illinois Üniversitesi’nden araştırmacılar, makine öğreniminin insan doktorlarının hastalık sonuçları.

Paul Nierenberg liderliğindeki araştırmacılar, hastaların tıbbi kayıtlarındaki bilgileri bilgisayardan alınan bilgilerle eşleştirerek, cerrahi ve diğer tıbbi prosedürlerdeki hastalık ve komplikasyon sonuçlarını tahmin etmek için hasta verileri de dahil olmak üzere bir veri koleksiyonu kullanan bir algoritma geliştirdiler. sonucun olasılığını hesaplayan programlar.

Ameliyat Sonuçlarının Tahmini

Bu bilgi daha sonra belirli bir prosedürün olası sonuçlarını tahmin etmek için ameliyat öncesi analizlerde kullanılabilir.

Rochester Üniversitesi Tıbbi Bilgi Merkezi’nin çalışma ve yöneticisi Dr. Sağlık Merkezi. “Ne yazık ki, bilgisayar modelleri, cerrahi prosedürlerin nispeten küçük bir kısmında, genellikle yüzde birin altında, risk-fayda analizini simüle etmektedir.”

Çalışmanın analiz yönteminin, prosedürün alıcının tıbbi durumu üzerindeki potansiyel etkilerinin ötesinde sonuçları vardı. Her yaştan insanlar için cerrahi prosedürler boyunca advers olay riskini karşılaştırarak, tanıdan önce ve dolayısıyla farklı bir yaş aralığında daha fazla sayıda prosedürün gerçekleştirileceği ve bu da olumsuz sonuçlar için daha az riskli olacağı varsayılmıştır.

Yeni araştırma ABD’deki 40 yıllık bir süreç boyunca 6.000’den fazla operasyonun verilerini analiz etti.

Yeni İlaçların Geliştirilmesi

Makine öğreniminin ön (erken aşama) ilaç keşfinde kullanımı, ilaç bileşiklerinin ilk taramasından biyolojik faktörlere dayalı tahmini başarı oranına kadar çeşitli kullanım potansiyeline sahiptir.

Potansiyel olarak yeni ilaçlara dönüşmekte olan yeni bileşenler hakkında bilgi sağlamanın yanı sıra (yeni ilaçların geliştirilmesinin ana hedeflerinden biri olan) ilaç etkinliği ve güvenliğini tahmin etmeye yardımcı olabilir.

Yeni ilaçların geliştirilmesine yönelik bu yeni yaklaşım önemlidir çünkü mevcut yaklaşımlar, her bileşiğin, küçük bileşik gruplarına yeni ilaçların geliştirilmesini sınırlayan spesifik, iyi çalışılmış bir hedefi olduğu varsayımına dayanmaktadır. Ayrıca, “en iyi” bileşiğin klinik çalışmalara ilk ulaşan varsayım olduğu varsayılmıştır.

Bu, zarar vermeyen, zayıf bir etkiye sahip olabileceği veya yüksek dozlarda zararlı olabileceği birçok bileşiğin, artan dozla daha zararlı olabileceğinden, bu bileşikler güvenilir bir şekilde incelenemese de FDA onayı alabileceği anlamına gelir.

Veri madenciliği

Veri madenciliği, halk sağlığı alanında giderek daha önemli bir çalışma alanıdır . Veri madenciliği, aramada makine öğrenimi gibi çeşitli görevleri yerine getirerek çok çeşitli biçimler alır: bir veri kümesinden anlam çıkarmak için verilere dayalı bir model uygulama, bir veri kümesinden ilgili değişkenleri çıkarma ve bir modeli değerlendirme bu değişkenler üzerinde.

Veri madenciliği, temel veri analizinden veri madenciliği ve veri yorumlamasına kadar çok karmaşık ve disiplinler arası bir çalışma alanıdır.

Sağlık BT