企业数据的科学

医疗保健领域的机器学习:改善患者结果的5个用例

2019年9月5日
By 团队天博app下载
人工智能在MRI中的应用

机器学习正在加速跨领域科学发现的步伐, 医学也不例外. 从加速研究的语言处理工具到提醒医务人员即将发生心脏病发作的预测算法, 机器学习补充了人类在医学领域的洞察力和实践.

然而, 围绕人工智能和机器学习技术的“解决主义”, 医疗服务提供者对于它将如何真正帮助患者并带来投资回报持谨慎态度,这是可以理解的. 市场上许多用于医疗保健的人工智能解决方案都是为了解决一个非常具体的问题而量身定制的, 比如识别患败血症的风险或诊断乳腺癌. 这些开箱即用的人工智能解决方案使得企业很难或不可能定制自己的模型,并从投资中获得最大收益.

开源数据科学允许医疗保健公司使用最新的机器学习技术来调整模型以应对各种挑战, 如音频和视频数据处理. 使用开源工具, 数据科学家可以定制构建应用程序,以满足医疗保健IT的严格要求,并在各种设置中改进患者护理, 最终将一个组织与竞争对手区分开来. 以下是医疗保健领域的5个机器学习用例,可以使用开源数据科学工具开发,并适用于不同的功能.

1. 管理任务的自然语言处理(NLP)

《天博体育app下载》(New England Journal of Medicine)去年进行的一项研究发现 83%的受访者 报告医生职业倦怠是他们组织的一个问题. 半数受访者表示,“卸下管理任务”将有助于解决这个问题, 让医生有更多时间和病人在一起. 这些管理任务的很大一部分涉及审查和更新电子健康记录(ehr). 几乎美国的每一家医院.S. 使用电子病历系统,大多数诊所也是如此. 提高电子商务档案的更新效率是大多数企业的当务之急. 这就是NLP工具的用武之地.

通过利用使用算法来识别和分类单词和短语的NLP工具, 医生可以在病人就诊时直接向电子病历记录员口述. 医生和患者都可以查看由NLP工具整理的图表和摘要,而不必通读笔记和测试结果来了解患者的整体健康状况. 通过减少维护电子病历的时间,医生可以花更多的时间与病人在一起.

2. 病人风险识别

世界各地的, 医疗保健提供商已经开始使用由机器学习模型构建的工具,这些工具使用异常检测算法来预测心脏病发作, 中风, 败血症等严重并发症. 这些工具使用的数据来自患者的历史记录, 每日评估, 实时测量生命体征, 比如心率和血压, 提醒工作人员注意病人即将面临的危险,以便他们能立即采取预防措施.

埃尔卡米诺医院就是一个例子. 他们的研究人员使用了电子健康记录, 床上报警数据, 和护士呼叫数据来开发一个工具 预测患者跌倒. 当病人处于跌倒的高风险时,这种新工具会提醒工作人员,以便他们采取行动降低风险. 他们成功地减少了39%的跌倒. 根据J医疗改革委员会在美国,因摔伤住院病人平均增加6.3天住院费用14000美元. 另一个例子是 脓毒症嗅探器算法 (SSA)是由梅奥诊所开发的. SSA使用人口统计数据和生命体征测量,每当发展为败血症的风险增加时,就会触发警报, 减少人工筛选时间72%. 这使得医生和护士有更多的时间治疗病人一开始找他们看病的疾病.

3. 加速医学研究洞察力

科学家和医生将不得不阅读和处理大量的报告和研究,以跟上特定医学研究领域的趋势. 例如, 学术论文发表342余篇,2007年至2016年,仅关于药物评价和分析的文章就有1万篇. 使用自然语言处理工具和神经网络来解析文献将在未来几年为医学研究人员提供有价值的见解.

[标题id="attachment_15027" align="alignright" width="400"]

数据可视化: 利用生物医学文献发现不良药物(/标题)

例如,来自美国的一组研究人员.S. 和爱尔兰一起进行了一次 研究 关于药物不良事件(ade)的文本挖掘, 预测分析, 以及神经网络,用来分析庞大的医学文献数据库和社交媒体上与药物副作用相关的评论. 在分析了医学期刊上的30多万篇文章和1.社交媒体上有600万条评论, 该团队使用数据可视化工具来显示药物和副作用之间的关系.

NLP也被用于挖掘电子病历中的非结构化数据, 比如来自心电图结果的数据,或者上传至患者病历的手工记录副本, 但没有进入表单领域. cTAKES 是梅奥诊所开源的自然语言处理项目的一个例子, 波士顿儿童医院, 和其他组织一起开发一种工具,可以解析电子病历中的非结构化数据,从中提取见解.

4. 肿瘤检测的可视化数据处理

近年来放射科医生的工作量显著增加. 一些 研究发现 放射科医生平均每3-4秒就必须解读一张图像以满足需求.研究人员开发了一种深度学习算法,训练之前捕获的放射图像,以识别肺部肿瘤的早期发展, 乳房, 大脑, 和其他领域. 可以训练算法来识别放射成像数据中的复杂模式. 它们可以通过乳房x光检查以惊人的准确性检测出乳腺癌. 休斯顿卫理公会研究所开发的一种早期乳腺癌检测工具可以用以下方法来解读乳房x线照片 99%的准确率 它提供的诊断信息比人类快30倍. 这样的工具也减少了活检的需要. 大多数放射科医生都认为这些工具可以帮助他们改善病人的护理. 他们让员工在工作中表现得更好,但不会取代他们.

5. 利用卷积神经网络(cnn)进行皮肤癌诊断

cnn是识别和分类图像的强大工具. 一些研究人员使用TensorFlow开发了用于皮肤癌检测的机器学习模型,准确率为87-95%, scikit-learn, Keras和其他开源工具. 相比之下,皮肤科医生有 65%到85%的准确率 在检测黑色素瘤. 模型使用数千张良性和恶性皮肤病变的图像进行训练. 像这样的开源项目的一个例子是在 Github. 除了皮肤癌的诊断, 研究人员也在利用cnn开发诊断结核病的工具, 心脏病, 阿尔茨海默氏症和其他疾病.

符合法规的医疗数据科学

而医疗保健组织必须比大多数其他行业更谨慎地对待安全问题, 治理, 和遵从性, 他们仍然可以使用匿名数据来训练机器学习模型,以符合HIPAA的要求. 确保软件环境的完整性对于处理真实的用户医疗数据至关重要. 天博app下载企业, 为高度规范领域的从业者提供稳定和安全的环境,以使用突破性的开源机器学习技术. 它还提供了访问安全的, 可治理的包存储库,以便数据科学家在开发创新模型时可以访问it批准的数据科学包.

本网站使用cookie,以确保您在天博app下载的网站上获得最佳体验. 隐私政策
接受