Мы используем технологию cookie для понимания того, как вы пользуетесь нашим сайтом. Под этим подразумевается персонализированный контент и реклама. Для того, чтобы узнать больше - нажмите сюда. Пользуясь данным сайтом вы подтверждаете согласие с нашей политикой. Политика cookie.
Разделы Партнеры Информация LinkXpress
Вход
Реклама на сайте
Direct Effect Media/Illumina

Мероприятия

29 Aug 2018 - 01 Sep 2018
29 Aug 2018 - 31 Aug 2018
04 Sep 2018 - 06 Sep 2018

Машинное обучение является перспективным в поддержке медицинских решений

Редакция HospiMedica - Россия
Опубликовано 24 May 2018
Print article
Новые исследования показывают, что машинное обучение может улучшить инструменты цифрового здравоохранения, способствуя выполнению обычных рабочих процессов и помогая врачам оценивать риск пациента (фото любезно предоставлено iStock).
Новые исследования показывают, что машинное обучение может улучшить инструменты цифрового здравоохранения, способствуя выполнению обычных рабочих процессов и помогая врачам оценивать риск пациента (фото любезно предоставлено iStock).
Ряд исследований, представленных на 67-й Ежегодной научной сессии Американской кардиологической коллегии (American College of Cardiology; Вашингтон, округ Колумбия, США), показал, как компьютерное обучение может использоваться для точного прогнозирования клинических исходов у пациентов с известными или потенциальными проблемами сердца. Результаты этих исследований демонстрируют, что машинное обучение может способствовать приходу новой эры инструментов цифрового здравоохранения, которые имеют потенциал улучшить предоставление медицинских услуг, оптимизируя рабочие процессы и помогая врачам оценивать риск пациентов.

Системы и алгоритмы клинических оценок уже давно используются в медицинской практике, хотя в последнее время наблюдается заметное увеличение применения машинного обучения для улучшения этих инструментов. В то время как традиционные алгоритмы требуют, чтобы все вычисления были предварительно запрограммированы, алгоритмы машинного обучения выводят оптимальный набор вычислений путем поиска шаблонов в больших наборах данных пациента. Новые исследования, представленные на научной сессии ACC.18, которая проходила с 10 по 12 марта 2018 года в Орландо, США, продемонстрировали, как машинное обучение может использоваться для прогнозирования диагноза, смерти или повторной госпитализации, улучшения стандартных инструментов оценки рисков, выявления факторов, способствующих прогрессированию болезни, или для продвижения индивидуальной медицины путем прогнозирования реакции пациента на лечение.

Например, в одном исследовании ученые использовали машинное обучение для прогнозирования того, у каких пациентов в конечном итоге будет диагностирован сердечный приступ после посещения отделения неотложной помощи больницы при боли в груди. Хотя боль в груди является одной из наиболее распространенных жалоб у пациентов, посещающих отделение неотложной помощи, только у части таких пациентов в конечном счете диагностируется сердечный приступ. В экспериментальном тесте алгоритм смог точно предсказать диагностику сердечного приступа в 94% случаев в проверочном наборе данных. Исследователи также использовали данные валидации по стандартной клинической модели (модель hsTnT, включающая только возраст, пол и высокочувствительные уровни тропонина пациента), которые показали точность 88%. Эти результаты свидетельствуют о том, что машинное обучение может значительно улучшить существующие инструменты поддержки принятия решений.

"В широком смысле методы машинного обучения существуют довольно давно, но за последние несколько лет мы получили большие наборы данных и вычислительные возможности для их использования в клинических приложениях, — сказал доктор медицины, доктор философии Дэниел Линдхольм (Daniel Lindholm), постдокторант в Уппсальском университете в Швеции и ведущий автор исследования. — Я думаю, что мы увидим все больше систем поддержки принятия решений на основе машинного обучения. Но даже когда машинное обучение сможет улучшить медицинскую практику, я думаю, что эти алгоритмы в конечном итоге не заменят врачей, а, скорее, обеспечат поддержку принятия решений на основе данных. Другие вещи, такие как эмпатия, человеческое суждение и отношения между пациентом и доктором, имеют решающее значение".

Ссылки по теме:
Американская кардиологическая коллегия


Print article

Каналы

Интенсивная терапия

посмотреть канал
В новом исследовании предполагается, что центры неотложной помощи и частные клиники часто используют антибиотики нецелесообразно (фото любезно предоставлено Getty Images).

Центры неотложной помощи могут назначать антибиотики сверх необходимости

В новом исследовании продемонстрировано, что нецелесообразное выписывание антибиотиков пациентам с обычной простудой и респираторными... Читать дальше

Хирургия

посмотреть канал
Профессор Парех работает с хирургической системой da Vinci Xi (фото любезно предоставлено Университетом Майами).

Результаты роботизированной хирургии сопоставимы с открытой хирургией

По результатам масштабного исследования, у пациентов, перенесших минимально инвазивную хирургию, отмечены более низкая кровопотеря,... Читать дальше

Женское здоровье

посмотреть канал
Новое исследование показывает, что повышенный уровень витамина D снижает риск рака молочной железы (фото любезно предоставлено Shutterstock).

Достаточный уровень витамина D заметно снижает риск рака молочной железы

Согласно новому исследованию, более высокие уровни 25-гидроксивитамина D в сыворотке [25(ОН)D] связаны со значительным снижением... Читать дальше

Уход за пациентами

посмотреть канал
В новом исследовании утверждается, что наблюдение за развитием осуществляется менее чем для трети детей (фото любезно предоставлено Shutterstock).

Большинство педиатров не уделяют достаточное внимание скринингу развития

В новом исследовании утверждается, что менее одной трети детей младшего возраста проходят обследование развития, а также... Читать дальше

IT

посмотреть канал
Интеграция выводов медицинских устройств в ЭМК улучшает мониторинг пациента (фото любезно предоставлено Shutterstock).

Платформа передачи графиков сигналов в электронную медицинскую карту совершенствует возможности наблюдения

Инновационная интеграция медицинских устройств и платформа анализа данных в режиме реального времени улучшают наблюдение... Читать дальше

Новости больниц

посмотреть канал
Система NFER позволяет исследователям отслеживать движения медсестер в реальном времени (фото любезно предоставлено Юнг Хиуп Кимом (Jung Hyup Kim) из Университета Миссури).

Система отслеживания медсестер может улучшить рабочий процесс в больницах

Инновационная система использует комбинацию наблюдения в ручном режиме и неинтрузивных датчиков слежения для наблюдения в... Читать дальше
Copyright © 2000-2018 Globetech Media. All rights reserved.