标签：机器 医疗保健 患者 学习 用例 算法 数据

医疗保健中的机器学习用例

资源

医疗保健行业有很多机会利用机器学习。 ML 通过改变患者护理、简化管理流程和在没有人工干预的情况下处理数据，在医疗保健领域取得了长足进步。医疗保健专业人员现在有机会专注于患者护理而不是查找信息。医学图像分析、药物发现和病历管理只是预测建模正在改进的应用中的一小部分。许多初创公司正在使用机器学习来促进该领域的创新，并取得了前所未有的成功。

医疗保健组织正在将机器学习用于：

预言：

1. 预测和减少患者未就诊

• 不可否认，患者未就诊会对患者护理产生不利影响，并导致报销、未使用能力和未充分利用的医疗资源的重大损失。
• 通过预测哪些患者可能会取消，以便他们可以正确安排工作人员/安排时间、发送预约提醒等，今天的预测模型有助于识别和减少患者未出现并优化临床工作流程。

2. 降低再入院率

• 许多医疗保健组织已经制定了减少再入院策略，因为他们认识到防止再入院和提高患者结果对于实现基于价值的护理目标的重要性。
• 医疗保健专业人员可以通过利用预测分析来识别哪些患者最有可能再次入院，从而尽早干预以减少急诊室就诊和再次入院。

3. 提供见解和临床决策支持

• 医疗保健提供者必须筛选大量数据源，每个数据源都有其特点和复杂性，以便为单个患者选择最佳行动方案。
• 医疗保健专业人员可以使用预测分析来确定将影响未来健康结果的特征，建立慢性病的风险评级，并使用预测算法来制定更加个性化的患者治疗计划。

4. 预测模式以通知利用率管理 (UM)

• 通过基于证据的标准和健康支付者规则对可接受的医疗服务进行审查被称为使用管理，或简称 UM。
• 为了提高人员配备水平、减少患者的等待时间并提高患者满意度，医疗保健从业人员可以使用预测分析来识别用户管理模式。

5. 用人工智能加速医学研究

• 预测分析以多种方式为医学研究做出贡献，包括帮助研究人员了解不同物质在我们体内的反应以及潜在的新药如何能够治疗特定疾病。
• 使用预测分析来预测临床试验结果是一种可能的用例，可以加快药物批准并最终降低新药开发费用。这些预测可能有助于减少围绕可能挽救生命的药物开发的不确定性，并实现更好、更快的药物批准，以改善可能最需要它们的个人的生活。

分类：

• 人类很难对海量的医疗数据进行分类，但机器学习算法提供了一个非常有前途的选择。大型数据集由 ML 算法快速处理，以找到可用于有效分类信息并增强决策制定的模式。
• 例如，自动化算法可以对提供者的所有记录进行分类，突出显示需要采取行动的记录，并根据共同的特征、症状或要求将患者分成不同的组。在某些情况下，这可以与可穿戴技术相结合，以添加到已经可用的患者数据中。个性化的参与技术、定制的治疗计划和增强的决策制定，这有助于医生以最有效的方式治疗这些部分。

优化

• 任何医院都应该优先考虑医疗资源优化，因为它可以为更高质量、更便宜的护理奠定基础。但准确的健康数据收集对于通过自动化和数据分析进行优化是必要的。在这里，机器学习可能很有用。
• 通过简化该领域最昂贵的程序，机器学习算法有可能从根本上改变医疗保健的提供方式。机器学习目前被用于医疗保健行业，通过更好地控制紧急手术的能力来改善医院资源规划并减少急诊室入院等待时间。由于医疗保健中数据分析用例的快速扩展，许多数据驱动的管理工作变得更加高效。

解释

• 从患者病历和其他论文中收集和分析数据需要付出很多努力，但人工智能可以快速完成。机器学习算法可以使用自然语言处理 (NLP) 和计算机视觉 (CV) 等 AI 技术“读取”和解释医学图表，并且它们可以提取相关数据以帮助做出决策。

一代

• 为了训练预测分析和临床决策，机器学习算法需要大量的医疗保健数据以及高质量的数据集。目前，这些选择必须由人来做出，并且还必须输入与患者的程序相对应的代码或描述。医生现在可以花更多的时间与患者在一起，因为机器可以使用系统文件中的数据来创建代码和注释来总结所发生的事情。
• 算法可以通过偶尔执行一些琐碎的任务来帮助人类从事他们的职业，让人类能够专注于他们的优势。随着它们与其他自动化流程交互以随着时间的推移变得更加准确并增强工作流程，创建的医疗保健代码和注释正在不断学习和改进。

医疗保健中机器学习的具体方法：

资源

1. 识别疾病和诊断
   识别和检测原本难以诊断的疾病和状况是 ML 在医疗保健中的主要用途之一。这可以从各种遗传性疾病到早期难以发现的肿瘤。
2. 医学影像诊断
   机器学习和深度学习使突破性的计算机视觉领域成为可能。开发用于图像分析的图像诊断工具的 Microsoft InnerEye 工作已经接受了这一点。随着机器学习变得更容易获得并且解释能力的提高，预计来自各种医学成像的更多数据源将成为这种人工智能驱动的诊断过程的一部分。
3. 基于机器学习的行为修正
   自从机器学习在医疗保健领域广泛使用以来，在患者治疗、癌症预防和识别以及行为矫正等领域涌现出大量公司。一家名为 Somatix 的 B2B2C 数据分析公司开发了一款应用程序，该应用程序使用机器学习来识别我们经常做出的动作，以便我们更好地了解我们的无意识行为并做出必要的调整。
4. 众包数据收集
   如今，众包在医疗行业非常重要，因为它让研究人员和从业者可以访问人们在获得许可后提供的大量数据。这种实时健康数据极大地影响了未来对医学的看法。用户可以使用基于 ML 的面部识别的交互式应用程序，通过 Apple 的 ResearchKit 平台尝试和治疗阿斯伯格和帕金森病。在最近与美敦力的合作中，IBM 使用众包数据实时分析、收集和提供了可访问的糖尿病和胰岛素数据。尽管物联网取得了成就，但医疗保健行业仍在想出新的方法来利用这些数据，解决难以诊断的情况，并将治疗和诊断作为一个整体来发展。
5. 更好的放射治疗
   放射学是医疗保健领域最需要机器学习的领域之一。医学图像分析中的大量离散变量可以在任何给定时间出现。许多病变、癌症病灶等难以使用简单的方程建模。由于基于 ML 的算法从各种可访问的数据中学习，因此诊断和识别因素更简单。将对象（例如病变）分类为正常或异常、病变或非病变等类别是机器学习在医学图像分析中最常用的应用之一。 UCLH 的研究人员在 Google 的 DeepMind Health 的积极协助下创建了可以区分健康细胞和恶性细胞并增强放射治疗的算法。
6. 爆发预测
   如今，全球范围内的流行病监测和预测也正在使用基于人工智能的技术和机器学习进行。今天，科学家们可以在社交媒体、网站等上实时获取卫星收集的大量信息。为了汇编这些数据并预测从疟疾爆发到严重慢性传染病的一切，使用了人工神经网络。由于这些国家缺乏必要的医疗基础设施和教育机构，因此预测这些疫情对第三世界国家尤其有用。 ProMED-mail 是一个基于 Internet 的报告网络，用于跟踪发展中和新出现的疾病并实时发送流行病报告，就是一个很好的例子。
7. 机器人手术

• 手术需要极高的准确性、对不断变化的条件做出反应的灵活性，以及​​在较长时间内保持恒定的方法。虽然熟练的外科医生已经具备所有这些特征，但机器人可以通过机器学习在未来的医疗保健中扮演这些角色。
• 目前，人类外科医生可以从使用机器人手术中受益匪浅。特别是，机器学习可用于改进手术建模和规划，评估外科医生的能力，并简化缝合等手术程序。

在医疗保健中使用机器学习的伦理

资源

隐私和数据安全

• HIPAA 和其他隐私法保证患者信息的安全。在涉及医疗信息时，每个人都应享有隐私权。尽管如此，每天都会发生大量医疗保健数据泄露事件，可能导致医疗保健提供者面临高达 1600 万美元的罚款。
• 克服这一障碍具有挑战性。机器学习通常不需要一整套患者数据（例如姓名、电子邮件、电话号码和保险单号）；因此，它可以有效地匿名化，以确保在不损害 ML 算法的准确性的同时不会泄露患者的身份。其他人则需要使用独特的数据安全策略来保证患者的匿名性。

自治问题

• 老年人和其他有心理问题的人可以从使用机器学习做出改善他们健康的决定中受益。这与选择合适的药物、制定健康的日常生活以及在必要时寻求专家有关。
• 但这引发了一个道德问题，因为它可能导致人们失去独立性并按照他们的指示行事。它将他们预期的可能性范围限制在一些建议的可能性范围内。因此，应该在算法指令和个人选择自由之间提供明确的平衡。
• 机器学习算法的决策完全取决于它所训练的数据。如果输入不精确或不可信，结果也会不正确。由于选择不当，患者可能会受到伤害或去世。
• 如果患者在这种情况下由于算法的判断而死亡，谁来承担责任？目前这仍然是一个悬而未决的问题。应告知患者每种治疗方案的所有优点和缺点，最终决定治疗方案。

透明度和知情同意

• 机器学习算法依赖于数据。它们运行得更好，可以产生更准确的结果，并预测提供的更相关的数据。
• 多个国家/地区制定了禁止在未经患者知情同意的情况下使用患者数据的法律。因此，机器学习在医疗保健中的应用应该伴随着患者教育以及为保护患者数据而采取的数据安全措施。

代表性和包容性

• 您应该确保综合医疗保健软件解决方案中的算法在广泛的患者身上有效运行。根据 PMC 的说法，不同的种族和种族群体对药物的反应可能不同，需要特别注意。因此，机器学习解决方案需要在足够广泛的患者实例和背景上进行“训练”。此外，建议在机器学习算法可能缺乏研究数据并因此产生不太可靠的结果的情况下预防和提醒从业者。

机器学习在医疗保健行业的挑战

资源

缺乏构建精确算法的质量数据

• 输入机器学习算法的数据质量决定了您获得的结果。不幸的是，医疗数据的准确性和一致性并不总是像应有的那样高。记录不完整，资料不准确，还有其他问题。
• 一般来说，电子健康记录的目的不是作为算法的数据源。因此，在使用机器学习工具之前，您需要花时间收集、清理、验证和结构化数据。

构建对医疗工作流程友好的 ML 工具

多个高度特定的机器学习用例可以帮助患者诊断和治疗。即使 ML 工具在纸面上运行良好，也不一定意味着它会被医生采用。因此，开发和推出在日常医疗工作流程中直观且易于使用的机器学习工具至关重要。如果没有来自使用该工具的人的必要反馈，它就不会那么有效，专业人士也不会信任它。

最后的想法

在医疗保健中使用机器学习有可能从根本上改变疾病的识别和治疗方式。这种方法已经在使用，并且在早期发现肝癌、皮肤癌和乳腺癌方面效果很好。在某些领域，例如影像诊断或外科缝合和打结技术，ML 算法已经超越了临床医生，超越了人类技能，并有助于更快地获得更好的结果。

参考：

• https://oliveai.com/resources/blog/5-healthcare-use-cases-for-machine-learning-that-reduce-costs-and-improve-hospital-administration?page=1
• https://oliveai.com/resources/5-patient-centric-use-cases-for-predictive-analytics-in-healthcare?page=1
• https://www.flatworldsolutions.com/healthcare/articles/top-10-applications-of-machine-learning-in-healthcare.php
• https://nix-united.com/blog/machine-learning-in-healthcare-12-real-world-use-cases-to-know/
• https://demigos.com/blog-post/machine-learning-in-the-medical-field-cases-challenges/

跟着我 领英 .

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明

本文链接：https://www.qanswer.top/14358/24130501

标签：机器,医疗保健,患者,学习,用例,算法,数据
来源： https://www.cnblogs.com/amboke/p/16656690.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。