Realistische beoordelingen van het levenseinde zijn mogelijk nauwkeuriger vanwege AI en neurale netwerken.

De wetenschappers van Google kijken naar het AI-potentieel voor gebruik in de geneeskunde en de resultaten doen de ronde van tech-watching-sites die opvallende koppen plaatsen. Google traint machines om nauwkeurige inschattingen te maken over mortaliteit bij ziekenhuisopnames. De rapporten verwezen naar het Medical Brain-team van het bedrijf.

Als Dagelijkse mail wees erop, de AI is ontwikkeld in samenwerking met collega's van UC San Francisco, Stanford Medicine en de University of Chicago Medicine.

Zeker, ze zijn niet de eersten die het gebruik van computersystemen onderzoeken om te leren van een database met klinische gegevens. Het idee om computersystemen te gebruiken om te leren van een "zeer georganiseerde en geregistreerde database" van klinische gegevens heeft een lange geschiedenis, ze zeiden.

Het probleem is dat voorspellende modellen gebouwd met EPD-gegevens een mediaan van slechts 27 variabelen gebruiken, Zij schreven, vertrouwen op traditionele gegeneraliseerde lineaire modellen, en zijn gebouwd met behulp van gegevens in één enkel centrum. Aan de andere kant construeerden ze een onderzoek naar diep leren in een verscheidenheid aan voorspellingsproblemen op basis van meerdere algemene ziekenhuisgegevens.

"Als een klinisch team patiënten moest onderzoeken waarvan voorspeld werd dat ze een hoog risico lopen om te overlijden, het aantal valse meldingen op elk tijdstip werd door ons model ruwweg gehalveerd, ’ meldden ze.

"Schaalbaar en nauwkeurig diep leren met elektronische medische dossiers" is de titel van hun paper, gepubliceerd in npj Digitale Geneeskunde in mei.

"De belofte van digitale geneeskunde komt deels voort uit de hoop dat, door gezondheidsgegevens te digitaliseren, we zouden gemakkelijker gebruik kunnen maken van computerinformatiesystemen om de zorg te begrijpen en te verbeteren, " Zij schreven.

De sleutel tot dit alles is voorspellende modellering met gegevens van elektronische patiëntendossiers (EPD). "We stellen een weergave voor van de volledige onbewerkte EPD-records van patiënten op basis van het Fast Healthcare Interoperability Resources (FHIR) -formaat. We demonstreren dat deep learning-methoden die deze weergave gebruiken in staat zijn om meerdere medische gebeurtenissen van meerdere centra nauwkeurig te voorspellen zonder locatiespecifieke gegevensharmonisatie ."

De Los Angeles Times citeerde een van de auteurs:"Maar liefst 80% van de tijd die wordt besteed aan de voorspellende modellen van vandaag gaat naar het 'scut werk' om de gegevens presentabel te maken, " zei Nigam Shah, een universitair hoofddocent aan de Stanford University en co-auteur van het artikel. Echter, met de aanpak van Google, zei Sjah, "Je kunt de gootsteen in de keuken gooien en je er geen zorgen over maken."

Victor Tangermann in futurisme zei dat "het neurale netwerk zelfs handgeschreven notities bevat, opmerkingen, en krabbelt op oude grafieken om zijn voorspellingen te doen."

De auteurs schopten de banden met traditionele modelleringsbenaderingen en noemden de beperkingen die ze stelden. Ze zeiden dat dergelijke benaderingen de complexiteit aanpakken door een beperkt aantal algemeen verzamelde variabelen te kiezen om te overwegen. "Dit is problematisch omdat de resulterende modellen onnauwkeurige voorspellingen kunnen produceren:vals-positieve voorspellingen kunnen artsen overweldigen, verpleegsters, en andere aanbieders met vals alarm en daarmee gepaard gaande alarmmoeheid."

Ze spraken over deep learning en neurale netwerken om informatie te ontsluiten die nodig is voor een completer beeld.

futurisme zei, "In proeven met gegevens van twee Amerikaanse ziekenhuizen, onderzoekers konden aantonen dat deze algoritmen de verblijfsduur en het tijdstip van ontslag van een patiënt konden voorspellen, maar ook het tijdstip van overlijden."

Ze omvatten in totaal 216, 221 ziekenhuisopnames waarvan 114, 003 unieke patiënten.

"Voor zover wij weten, onze modellen presteren beter dan bestaande EPD-modellen in de medische literatuur voor het voorspellen van sterfte (0,92–0,94 versus 0,91), onverwachte heropname (0,75–0,76 vs 0,69), en langere verblijfsduur (0,85-0,86 versus 0,77)."

De auteurs becommentarieerden de beschikbaarheid van gegevens. "De datasets die tijdens het huidige onderzoek zijn geanalyseerd, zijn niet openbaar beschikbaar:vanwege redelijke privacy- en beveiligingsproblemen, de onderliggende EPD-gegevens zijn niet gemakkelijk herdistribueerbaar naar andere onderzoekers dan degenen die betrokken zijn bij de door de Institutional Review Board goedgekeurde onderzoekssamenwerkingen met de genoemde medische centra."

© 2018 Tech Xplore