医疗保健中的机器学习

如今，机器学习（这是整个人工智能科学的一部分）在我们生活的许多领域（包括医疗保健）中发挥着最大的作用之一 。这可能包括与健康相关的不同方面，例如开发新的医疗程序，处理患者数据以及预测疾病的治疗结果。

但是，在预测手术和其他医疗方法的结果时，至少在使用从人类医生和其他医生收集的数据预测结果方面，机器学习方法的有效性才多少了解。

疾病结果的预测

现在，在2015年7月12日的《美国医学会杂志》（JAMA）上的一项研究中，来自罗切斯特大学医学中心和伊利诺伊大学的研究人员报告说，机器学习可以使人类医生做出相对准确的预测疾病结果。

由Paul Nierenberg教授领导的研究人员开发了一种算法，该算法使用包括患者数据在内的数据集合，通过将患者病历中的信息与计算机中的信息进行匹配，来预测手术和其他医疗程序中的疾病和并发症结果计算结果可能性的程序。

手术结果的预测

然后，可以在手术前分析中使用此信息，以预测特定过程的可能结果。

研究的资深作者，罗彻斯特大学医学信息中心主任布莱恩·梅奇博士解释说：“当前的诊断和外科手术是将整个过程的计算机模拟与患者的病史结合在一起。”医疗中心。 “不幸的是，计算机模型只能在相对较小的手术过程中模拟风险收益分析，通常少于百分之一。”

这项研究的分析方法所带来的影响不仅限于该程序对接受者医疗状况的潜在影响。通过比较各个年龄段的人在整个外科手术过程中发生不良事件的风险，可以假设在诊断之前会进行更多次的手术，因此在不同的年龄范围内进行手术，从而降低了发生不良后果的风险。

这项新研究分析了40年内美国6,000多次手术的数据，美国是可获得数据的第二大人口。

新药开发

机器学习在初步（早期）药物发现中的应用具有多种用途，从最初筛选药物化合物到根据生物学因素预测成功率。

它可以潜在地帮助预测药物功效和安全性（这是开发新药物的主要目标之一），并提供有关可能正在发展为新药物的新成分的信息。

开发新药物的新方法很重要，因为当前方法依赖于以下假设：每种化合物都有特定的，经过充分研究的目标，这将新药物的开发限于少数化合物。同样，假设“最佳”化合物是第一个进入临床试验的化合物。

这意味着即使可能无法可靠地研究许多化合物，这些化合物可能无害，作用微弱或在高剂量下可能证明有害，但这些化合物无法得到可靠的研究，因为随着剂量的增加它们的危害更大。

数据挖掘

数据挖掘是公共卫生研究中越来越重要的领域 。通过执行各种任务（例如搜索中的机器学习），数据挖掘可以采用多种形式：基于数据的模型用于从数据集中提取含义，从数据集中提取相关变量，然后评估模型在这些变量上。

数据挖掘是一个高度复杂且跨学科的研究领域，范围可能从基本数据分析到数据挖掘和数据解释。