3 митови за машинското учење во здравството

Дознајте која е причината зад големата популарност на машинското учење, колкава е неговата примена во секојдневниот живот и кои се митовите коишто се поврзани со машинското учење и здравството.
3-mitovi-za-masinskoto-ucenje-vo-zdravstvoto | Softversko inzenerstvo | Brainster Next College
Share
Share on facebook
Share on linkedin

Машинско учење (Machine Learning). Можеби повеќето од нас веќе го имаат слушнато овој термин, но прашањето е дали ни е всушност навистина јасно што точно е тоа и како функционира. Постојат многубројни објаснувања на овој термин, но доколку не сте длабоко навлезени во морето од специјализирани разговори за јазли на листови, точки на поделба и рекурзии може и потполно да се изгубите во него.

Накратко, кога се зборува за машинско учење, сé што треба да знаете за почеток е дека машинското учење применува статистички модели на податоците што ги имате за да направите паметни предвидувања за податоците што ги немате. Тие предвидувања можат да ви помогнат да најдете сигнали во шумот и да извлечете вредност од сите податоци што ги собирате.

Предноста на користењето на машинското учење е неговата брзина. Може да ископува огромни делови од податоци за секунди или минути, да најде шеми и да прави предвидувања на начини на кои ниту еден човечки аналитичар не би можел да почне да ги имитира.

Машинското учење ги има покажано своите бенефиции во многу инdустрии, а здравството е една од нив. Статистиките покажуваат дека машинското учење драматично ќе ја подобри здравствената заштита во наредните неколку години.

Во продолжение, прочитајте за 3 вообичаени митови кои постојат околу машинското учење во здравството.

Мит 1: Машинското учење може да преземе многу од она што го прават лекарите.


Реалноста е дека апликациите за машинско учење можат да извршат дел од она што го прават лекарите денес, но тие никогаш нема да го заменат најголемиот дел од она што го прават лекарите во блиска иднина.

Лекарите извршуваат три главни должности:

  1. Помагаат да се намали стапката на разболување кај луѓето;
  2. Дијагностицираат кои се работите коишто луѓето ги прават погрешно;
  3. Обезбедуваат грижа и третман за пациентите.

Машинското учење има важен придонес со првата и втората од овие функции. На пример, алгоритмите на машинското учење се покажаа особено корисни во предвидувањето на карактеристиките на ракот од здравствени слики или во дијагностицирањето на фрактури од рентген. Алгоритмите за учење без надзор покажаа потенцијал за поврзување на ризиците од болеста со геномските биомаркери. Сепак, дури и со понатамошниот развој на овие апликации, тие нема да ја реплицираат способноста на лекарот да обезбеди нега и третман. Излезот на машинското учење сепак мора да биде анализиран од некој со познавање на доменот. Во спротивно, тривијалните податоци може да се толкуваат како суштински, а суштинските податоци како тривијални.

Исто така, постои човечки елемент во помагањето на пациентите да одлучат дали и на кој начин да добијат третман. Пациентите честопати имаат загриженост или стравувања за подложување на третман. Лекарите треба да ги земат предвид менталната состојба на пациентот, очекувањата и историјата во заедничкото одлучување со пациентот и неговото семејство. Пациентите ја ценат оваа човечка интеракција и доколку не ја добијат токму неа во чувствителни моменти може да биде вознемирувачко.

Конечно, откако ќе заврши третманот, самиот процес на закрепнување бара внимателно следење и грижа. Компликациите често се откриваат преку клиничко набљудување наспроти протоколарно-управувано тестирање или дијагностика.

Мит 2: Големите податоци + брилијантните научници за податоци се секогаш рецепт за успех.


Реалноста е дека тие се неопходни, но не и доволни. Повеќе податоци е подобро, но само ако се вистинските податоци и луѓето целосно ги разбираат. Во овој момент е многу корисно да се постават неколку клучни прашања:

  • Како податоците биле собрани?

Размислете како усвојувањето на електронски здравствени досиеја може да доведе до тоа сите поставени дијагнози и лекови кои ги препишале различни лекари за пациентот да бидат вклучени во еден запис кој би бил посеопфатен од хартиените записи на поединечни лекари. Без да се земе предвид оваа промена, може погрешно да се заклучи дека пациентите одеднаш се разболеле.

  • За која цел биле собрани податоците?

Размислете за лабораториски податоци собрани од болница. Бидејќи болницата собира податоци за пациенти кои се лекуваат во болницата, таа нема да биде репрезентативна за населението, бидејќи на болните луѓе им е многу поголема веројатноста да им се земе крв во болницата.

  • Кои се потенцијалните проблеми или ограничувањата на податоците?

Размислете за податоците на електронските здравствени досиеја собрани од многу организации кои користат ист продавач. Иако сите организации го користат истиот продавач, структурата на податоците, значењата на полињата и степенот на чистење на податоците веројатно се разликуваат помеѓу организациите.

Високо квалификуваните научници за податоци се клучни за градење софистицирани модели за машинско учење, но исто така е важно да има експерти за домени кои разбираат како да размислуваат за моделите и резултатите. Замислете да користите голема база на податоци за да развиете алгоритам за предвидување на стапката на преживување на пациентите со рак. Моделот идентификува повеќе фактори кои се поврзани со најниската стапка на преживување. Според ова еден од факторите би бил бројот на посети на пациентот во амбулантската клиника. Секако, пациентите кои не преживеале би имале повеќе амбулантски посети, како и слики и тестови во неделите или месеците пред нивната смрт отколку оние кои биле поздрави. Сепак, би било неточно да се идентификуваат овие фактори како фактор на ризик за смрт кај оваа популација на пациенти.

Во некои случаи, пристапот машинско учење + човечката способност најдобро функционира. Честопати излезот од моделите на машинското учење не е дефинитивен, но има веројатност поврзана со него. На пример, Avant-garde Health користи машинско учење за да ги смести стотиците илјади медицински материјали и лекови што се користат во болниците во својот систем за категоризација на производи за да им го олесни толкувањето на администраторите и лекарите. Моделот на машинското учење класифицира многу производи со блиску до 100% доверба, но има и многу производи каде што може да биде точно 80% или пак помалку. Врз основа на комбинација од вредноста на производите и веројатноста дека моделот на машинското учење е во право, Avant-garde Health врши експертски преглед на излезот од машинското учење и го коригира онаму каде што е соодветно.

Мит 3: Успешните алгоритми ќе бидат усвоени и искористени.


За жал, многу моќни алгоритми не се усвоени или искористени бидејќи не се интегрирани во работниот тек на потенцијалните корисници. Ваквата ситуација може да се увиди со пример каде што една болница создала апликација за да им помогне на лекарите да идентификуваат кој е вистинскиот специјалист кај кого треба да упатат пациент со одреден проблем, но по нејзиното креирање, никој не ја користел. Лекарите биле премногу зафатени за да излезат од електронските здравствени досиеја, да ја отворат апликацијата, да внесат информации во неа и потоа да се вратат повторно на користење на електронските здравствени досиеја.

Додека пак, добар пример за креирање на успешна апликација може да се согледа доколку се разгледа работата на една компанија од Бостон. Согласностите за операција пристигнувале на различни начини – на хартија преку пошта, по факс и преку електронски пренос. Нивното пронаоѓање понекогаш претставувало голем предизвик. Затоа, компанијата создала апликација со помош на машинско учење која автоматски ги „читала“ дојдовните факсови и ги доставувала во вистинската медицинска евиденција, додавајќи предупредување на списокот за проверка пред операцијата. Сето ова придонело до заштеда од 120 часа време на персоналот месечно. Друг пример се однесува на навременото отпуштање од болница на пациентите, што е критично за оптимизирање на работниот тек, управувањето со креветите и приходите. Компанијата создала апликација која со висок степен на точност го предвидува датумот на отпуштање на пациентите од болниците. Обезбедувањето на овие информации до лекарите и раководителите на случаите помагало пациентите да се вратат дома во вистинско време, намалувајќи ги непотребните болнички денови.

Овие успешни примери, како и многу илјадници други во рамките на здравствената заштита, ни даваат голема доверба во способноста на машинското учење значајно да ја подобри грижата за пациентот и да ги намали трошоците. Клучот е да се биде внимателен за тоа какви видови проблеми се доделени на машинското учење да ги решава, кој треба да биде вклучен во развојот на моделот и толкувањето на излезот и како да им се олесни на луѓето да ги користат и да дејствуваат според согледувањата и резлутатите.

Доколку те интересира ИТ светот и сакаш и ти да правиш големи работи со технологијата, преземи го првиот чекор кон успешна кариера во програмирање и дознај повеќе за нашите програми, методологија на работа, професори и процес на аплицирање.

Местата се ограничени, затоа закажи средба сега!

Share

Share on facebook
Share on linkedin

претходно

Text

Softversko inzenerstvo | Brainster Next College

следно

Text

Softversko inzenerstvo | Brainster Next College

Види повеќе во новости, заедница, проекти

Биди секогаш во тек со новости од Медиа

    Следи ги новостите од медија

      X

      Префрли се на Brainster Next College! Можност за трансфер до 15 октомври!

      Соработувај со нас

        Предложи Содржина

          Контакт Лице

          (+389) 070 239 915
          Или пиши ни на
          Softversko inzenerstvo | Brainster Next College

          Испратено!

          Твојата порака е успешно пратена. Соодветен човек од нашиот тим ќе те исконтактира најбрзо што може!