医療における機械学習の応用

医療における機械学習の応用

機械学習とクラウドコンピューティングは、医療分野で最も急速に成長している2つの技術です。

最近、医学における機械学習が大きく取り上げられました。 Googleでは、マンモグラフィー上のがん性腫瘍を特定するのに役立つ機械学習アルゴリズムを開発しました。 スタンフォード大学では、深部の学習アルゴリズムを使用して皮膚がんを特定しています。深い機械学習アルゴリズムの結果、網膜画像上で糖尿病性網膜症を診断することができました。 機械学習が臨床的な意思決定のにとって、矢筒に加わる新たな矢になることは明らかです。

それでも、機械学習は他のものよりもいくつかのプロセスに適しています。 アルゴリズムは、再現可能または標準化されたプロセスを持つ分野にすぐに利益をもたらすことができます。また、放射線、心臓病、病理学などの大きな画像データセットを持つものは強力な候補です。 機械学習は、画像を見たり、異常を特定したり、注意を必要とする領域を指すように訓練することができ、これらすべてのプロセスの精度を向上させることができます。長期的には、機械学習はベッドサイドの内科医や内科医にとって有益でしょう。 機械学習は、効率、信頼性、および精度を向上させる客観的な意見を提供することができます。

EMIでは、データを分析するためのプラットフォームを作成し、リアルタイムで臨床医の判断に役立てるために医師にループバックします。 医師が患者を診察し、症状、データ、検査結果をEMRに入力すると同時に、その患者のことをすべて見ている機械学習があり、診断、テスト、予防的スクリーニングをするのに有益な情報を医師に示唆します。 長期的には、より有用でより良い統合データが得られるように、医療のあらゆる側面に機能が到達します。 私たちはリアルタイムで分析と比較が可能な、より大きなデータセットを組み込むことができ、あらゆる種類の情報を提供者と患者に提供することができます。

AI はリアルですか? :

組織への大きな助けとなるのは、認知コンピューティングの進歩です。それは実際にケアの経路とプロセスをマッピングし、より正確な診断と治療のためのケアのコストを最適化し、患者データのパターンを最適化します。機械学習の実装には大きな挑戦が伴います。

データの品質が低下すると、治療、成果、コストが犠牲になります。 質の悪いデータからは良い分析は決して導き出されず、診療所の手作業で維持されている文書や医用画像は、人間の心が計算するには大きすぎます。特に、人口の健康と価値に基づくケアの取り組みがますます致命的な問題になるにつれて、機械学習アプリケーションはより頻繁に形成されています。

最近の例証では、大規模な病院、大学の医療センター、IT企業が機械学習アルゴリズムをさまざまなユースケースに採用していることを証明しています。
新しい癌療法のカウンセラーとして役立つ癌性免疫細胞パターンのマッピング、心臓の閉塞の発見、またはどの患者が再入院のリスクが最も高いかを特定しつつ患者の退院日判定に技術を適用することが含まれます。

機械学習の精度向上を強化するため、医療機関は、治療法の変更、診断意思決定の進展、感染拡大の予測など、識見を得る機会を持つためのプランを立てる必要があります。 これらの方針は、価値ベースの医療清算アプリケーションでの支払いを容易にする高品質のケア・マトリックスを作成する必要性を背景にして、事業運営の主要な推進要因となります。

参加型の分析構築

成功する機械学習プロジェクトを管理するために、多くの保健機関は、大きなサイズの患者データセットを処理した経験があり、患者機械ツールやサイバーセキュリティテクノロジー等、価値あるサービスを手配できるサードパーティのマネージドサービスプロバイダ(MSP)を使います。HIPAAに準拠したクラウドベンダーに参加しているMSPを活用することで、ヘルスケア組織が規模を拡大し機械学習モデルを構築、巡回、ホストするのに役立ちます。さらに、コスモポリタンモデルでは、医療機関が必要とする効率、応答性を完遂するのに役立ちます。

機械学習の中心となるものは、人工知能の分野であれば、パターン識別の達成、期待理論、最適化と統計の能力がある。
機械学習アルゴリズムは、データによって学習するように教えることができ、正常なモチーフを見分けるためのモデルを構築し、データ主導で予測をし、熟慮の末の決定に寄与する洞察を示す。

機械学習をヘルスケアに適用する方法の一例は、EMPI(Enterprise Master Patient Index)のデータの人口統計的マッチングを予測する場合です。これは、さまざまな部門や地理的な場所の患者の医療記録を含む集中データベースです。患者にはEMPIの独自の属性が割り当てられていますが、複数のソースから来たデータには入力エラー、名前の差異、複製などの疑わしい誤点があります。

他の伝統的なアルゴリズムと違い、機械学習アルゴリズムは、人間の仲介によって提供されたレビューに基づいて調整されます。EMPIとその人口学的マッチングに関する主なモットーの場合、手作業による修復に関する機械学習のアーティキュレーションの教授プロセス
フィードバックを提供し、複製されたレコードを単一の属性に沿ってリンクする責任を負う、健康情報管理(HIM)の専門家によって一般的に達成される。

EMPIとその人口統計学合致に関する主なモットーの場合、手動修復での調整に関する機械学習への教育プロセスは、フィードバックを提供し、複製されたレコードを単一の属性に沿ってリンクする責任を負う、健康情報管理(HIM)の専門家によって一般的に達成される。したがって、システムは、ユーザが一貫して同一または一致するレコードのペアをマーキングする動作をとる大きなパターンを認識することができなければならない。

しかし、手動複製によって解決されるタスクを減らし、偽陽性/偽陰性エラーを軽減することにより、高度なインテリジェンス記録分解アルゴリズムを生成するために、多くの開発における使用統計を組み立てることができるクラウド環境では、準備は大幅に簡素化されます。クラウド内のデータ集中化は、必要に応じて複数の顧客にリソースを動的に割り当てることができるため、高価になります。

機械学習のビジネス上の利点

医療機関で、機械学習アプリケーションの前にデータを認識し摂取している間に、彼らの健康保険の支払いプログラムの下でその努力が特定のパフォーマンスメトリクスに達するというより大きな達成に近づくことを思い出さなければならないでしょう。 例えば、2015年の医療アクセスとCHIP 再承認法(MACRA)の下では、質の高い支払いシステム(MIPS)があります。これらのイニシアチブでは、医療機関は、その成績と患者の高度な結果に基づいて支払いを受ける必要があります。

他の傾向としては、データ分析の動向もあります。 糖尿病、高血圧または癌などの特定の医療環境と患者の治療および制御のグループ化を関連付ける集団健康管理プログラムがますます実施されています。

さらに、生物学や遺伝学、行動、経済的地位や社会環境(住宅、教育、交通、収入と食料不安)などの社会的インセンティブを吸収するデータは、重要な健康関連データであり、 すべての個人、グループ、またはより広い人口の健康と健康的な生活を分析するときに含めることができます。