Vurdering af dødsrisici:Dens Googles vender

Realistiske vurderinger af livets afslutning kan være mere præcise på grund af AI og neurale netværk.

Googles forskere ser på AI-potentialet til brug i medicin, og resultaterne gør runder på tech-watching-websteder, der lægger iøjnefaldende overskrifter. Google træner maskiner til at foretage nøjagtige vurderinger af dødelighed blandt patienter. Rapporterne henviste til virksomhedens Medical Brain -team.

Som Daglig post påpegede, AI blev udviklet i samarbejde med kolleger ved UC San Francisco, Stanford Medicine og University of Chicago Medicine.

Helt sikkert, de er ikke de første til at undersøge brugen af ​​edb -systemer til at lære af en database med kliniske data. Ideen om at bruge computersystemer til at lære af en "meget organiseret og registreret database" med kliniske data har en lang historie, de sagde.

Problemet er, at forudsigelsesmodeller bygget med EHR -data bruger en median på kun 27 variabler, de skrev, stole på traditionelle generaliserede lineære modeller, og er bygget ved hjælp af data på et enkelt center. De konstruerede på den anden side en undersøgelse af dyb læring i en række forudsigelsesproblemer baseret på flere generelle hospitalsdata.

"Hvis et klinisk team skulle undersøge patienter, der forudsiges at have stor risiko for at dø, antallet af falske advarsler på hvert tidspunkt blev groft halveret af vores model, "rapporterede de.

"Skalerbar og præcis dyb læring med elektroniske sundhedsjournaler" er titlen på deres papir, udgivet i npj Digital medicin i maj.

"Løftet om digital medicin stammer delvis fra håbet om, at ved at digitalisere sundhedsdata, vi kan lettere udnytte computerinformationssystemer til at forstå og forbedre pleje, "skrev de.

Nøglen til alt dette er forudsigelig modellering med elektroniske sundhedsjournal (EHR) data. "Vi foreslår en repræsentation af patienternes hele rå EHR-registreringer baseret på formatet Fast Healthcare Interoperability Resources (FHIR). Vi demonstrerer, at dybe læringsmetoder ved hjælp af denne repræsentation er i stand til præcist at forudsige flere medicinske hændelser fra flere centre uden stedspecifik dataharmonisering . "

Det Los Angeles Times citerede en af ​​forfatterne:"Så meget som 80% af den tid, der bruges på nutidens forudsigelsesmodeller, går til 'scut -arbejdet' med at gøre dataene præsentable, "sagde Nigam Shah, en lektor ved Stanford University og medforfatter af papiret. Imidlertid, med Googles tilgang, sagde Shah, "Du kan smide køkkenvasken ind og ikke skulle bekymre dig om det."

Victor Tangermann i Futurisme sagde, at "Det neurale netværk indeholder endda håndskrevne noter, kommentarer, og kladder på gamle diagrammer for at komme med sine forudsigelser. "

Forfatterne sparkede dækkene til traditionelle modelleringsmetoder og kaldte begrænsninger, de stillede. De sagde, at sådanne tilgange behandlede kompleksitet ved at vælge et begrænset antal almindeligt indsamlede variabler at overveje. "Dette er problematisk, fordi de resulterende modeller kan producere upræcise forudsigelser:falsk-positive forudsigelser kan overvælde læger, sygeplejersker, og andre udbydere med falske alarmer og samtidig alarmtræthed. "

De talte om dyb læring og neurale netværk for at låse op for nødvendige oplysninger for et mere komplet billede.

Futurisme sagde, "I forsøg med data fra to amerikanske hospitaler, forskere var i stand til at vise, at disse algoritmer kunne forudsige en patients opholdstid og udskrivningstidspunkt, men også dødstidspunktet. "

De omfattede i alt 216, 221 indlæggelser med 114, 003 unikke patienter.

"Så vidt vi ved, vores modeller overgår eksisterende EHR -modeller i den medicinske litteratur til forudsigelse af dødelighed (0,92–0,94 vs 0,91), uventet tilbagetagelse (0,75–0,76 vs 0,69), og øget opholdstid (0,85-0,86 vs 0,77). "

Forfatterne kommenterede tilgængeligheden af ​​data. "De datasæt, der blev analyseret under den igangværende undersøgelse, er ikke offentligt tilgængelige:på grund af rimelige fortroligheds- og sikkerhedshensyn, de underliggende EHR-data kan ikke let omfordeles til andre forskere end dem, der er involveret i Institutional Review Board-godkendte forskningssamarbejder med de navngivne medicinske centre. "

© 2018 Tech Xplore