Машинное обучение и прогнозная аналитика придают смысл цифровому здравоохранению

01 Sep 2017
1052
Прослушать

Функциональная цель цифрового здравоохранения заключается в предоставлении врачам возможности принимать более информированные решения, обеспечивая им доступ ко всем электронным данным пациентов.

Но эти данные, к сожалению, создаются не одинаковым образом и находятся они не в одном месте. Электронные медицинские карты часто неполные, неточные и недоступные, когда они нужны, тем самым снимая все преимущества этих систем для врачей и пациентов.

Но современные технологии, такие как аналитика данных и машинное обучение, потенциально позволяют медицинским организациям обеспечить интероперабельность данных (сбор их из разных источников и переносимость из одной системы в другую) для улучшения процесса лечения. Недавно были опубликованы два исследования Лаборатории компьютерных наук и искусственного интеллекта при Массачусетском технологическом институте (МТИ), которые показывают, как машинное обучение, может улучшить электронные медицинские карты и как прогнозная аналитика может помочь врачам принимать лучшие решения.

В первом исследовании, ученые разработали подход на базе машинного обучения, который использует самые разнообразные данные отделения интенсивной терапии для получения в реальном времени прогнозов, касающихся видов лечения, необходимых при разных симптомах. Система, получившая название “ICU Intervene”, обучается на основе данных прежних случаев, с которыми сталкивались врачи отделения, для создания рекомендаций по необходимым действиям.

Подобная система очень полезна для врачей, работающих в сложных, стрессовых условиях отделения реанимации, позволяя им быстрее принимать правильные решения.

Второе исследование продемонстрировало, как прогнозные модели, подготовленные на данных одной системы электронных карт, могут быть эффективно использованы к наборам данных из другой системы электронных карт. Это решение, названное “EHR Model Transfer”, использует алгоритм обработки естественного языка, который позволяет распознавать клинические термины и концепции в разных системах электронных карт.

По словам доктора Найгем Шаха из Стэнфордского университета,

Модели на базе машинного обучения в области здравоохранения часто страдают низким уровнем внешней применимости и плохой переносимости на другие системы. А это исследование представляет отличное решение по использованию моделей, «натренированных и набравшихся знаний» в одной системе, для использования в другой.