Automatische Übersetzung anzeigen
Dies ist eine automatisch generierte Übersetzung. Wenn Sie auf den englischen Originaltext zugreifen möchten, klicken Sie hier
#Neues aus der Industrie
{{{sourceTextContent.title}}}
Künstliche Intelligenz in der Medizin — voraussagende geduldige Ergebnisse und jenseits
{{{sourceTextContent.subTitle}}}
Maschinen erhalten besser und am Analysieren von komplexen Gesundheitsdaten, um Ärzten besser zu helfen, Zukunftbedarf ihrer Patienten zu verstehen besser.
{{{sourceTextContent.description}}}
In einer Studie heraus heute in Natur-Digital-Medizin, wertete ein moderner Algorithmus de-identifizierte elektronische Gesundheitsakten von mehr als 216.000 erwachsenen geduldigen Hospitalisierungen aus, um unerwartete Wiederzulassungen, lange Krankenhausaufenthalte und Inkrankenhaustodesfälle genauer vorauszusagen als vorhergehende Ansätze.
Ich holte einen der Autoren, Nigam-Schah, MBBS, Doktor, ein außerordentlicher Professor bei Stanford ein, um über die neue Studie zu lernen und die Auswirkungen für künstliche Intelligenz in der Medizin zu besprechen.
Was tief und wie lernt es passt in das größere Universum der künstlichen Intelligenz?
Das tiefe Lernen ist eine einiger Lernfähigkeit- einer Maschinetechniken, die verwendet werden können, um intelligente Systeme zu errichten. Diese Technik, angespornt durch die neuralen Netze des Gehirns, benutzt mehrfache Schichten (folglich ‚tief ") nichtlineare Verarbeitungseinheiten (analog ‚Neuronen ") um sich zu unterrichten, wie man Daten versteht und dann die Aufzeichnung klassifiziert oder Vorhersagen macht.
Diese neue Studie ist ein Beispiel des tiefen Lernens angewendet an den medizinischen Vorhersagenaufgaben. In der Vergangenheit haben vorbestimmte Modelle im Gesundheitswesen eine beschränkte Anzahl Variablen in hoch-gereinigten Gesundheitsdaten betrachtet. Hier waren neurale Netze, durch Funde von unordentlichen Rohdaten zu sieben und zu lernen, wie man die Daten über Variablen organisiert, die höchst in Vorhersagegesundheitsergebnissen sind.
Wie bewegt diese Studie möglicherweise das Feld vorwärts?
Diese Studie zeigt es, möglich dass ist, unordentliche elektronische Gesundheitsaktedaten zu nehmen — einschließlich unstrukturierte klinische Anmerkungen, Fehler in den Aufklebern und viele Inputvariablen — von den verschiedenen Institutionen und die Informationen in einen verwendbaren Input zusammen ziehen, von dem verklagbare Vorhersagen über geduldige Gesundheit gemacht werden können.
Was tut dieses vorbestimmte Modell sagen Ärzten, dass sie nicht bereits nicht durch traditionelle Durchschnitte herausfinden wissen oder können?
Vorbestimmte Modelle können helfen zu machen sich zu interessieren, im Allgemeinen zu verbessern, indem sie gewinnende Partnerschaften schaffen, in denen die Maschine voraussagt und der Doktor entscheidet auf Folgemaßnahme. Der Punkt der Anwendung von AI (und der Lernfähigkeit einer Maschine) ist, es Aufgaben, die es gut erfüllen kann, wie Ablesen eines Netzhautbildes oder Beflaggung von Kästen für weitere Verfolgung durchführen zu lassen, wenn es manuell gibt zu wiederholen zu viele. Doktoren haben dann die Zeit und die Informationen, die besten Entscheidungen zu treffen und holen den gesellschaftlichen, klinischen und persönlichen Zusammenhang, um zu tragen. Sie machen den Anruf an wenn, wie und wann man fungiert.
Zum Beispiel gibt es ein Projekt bei Stanford, das Algorithmen verwendet, um durch große Datenbanken, einschließlich elektronische Gesundheitsakten zu sieben, Patienten zu ermitteln, die wahrscheinlich eine bestimmte genetische Zustand haben, die zu einen tödlichen Herzinfarkt an einem vorzeitigen Alter führen kann. Normalerweise wissen Patienten, die diese Krankheit haben, nicht, dass sie sie haben. Unter Verwendung des Algorithmus können Doktoren früher herausfinden, der die Bedingung hat und Behandlungen anbieten, die Ergebnisse erheblich verbessern können.
Was sind die obersten ethischen Fragen für künstliche Intelligenz in der Medizin?
Die zwei wichtigsten Fragen in meinem Kopf behalten Gerechtigkeit beim Lernen von voreingenommenen Daten und vom Effekt auf das Arzt-Patienten-Verhältnis bei. Da wir das Maschine-Lernen von Systemen aufbauen, zu schützen ist wichtig, gegen vorhandene menschliche Neigungen, wie rassische Neigung versehentlich institutionalisieren, die möglicherweise in den Daten anwesend wäre, während des Entwurfs von Algorithmen. Es ist auch entscheidend, zu verstehen, wie der Gebrauch von einem AI-System das Arzt-Patienten-Verhältnis ändern könnte, und garantiert, dass die Änderung die Art ist, die wir wünschen, wenn die Lernfähigkeit- einer Maschinesysteme als Werkzeug dienen, Doktoren zu helfen.
Schließlich ist es wichtig für uns, das Maschine-Lernen von Systemen aufzubauen, um die ethischen Standards unseres Gesundheitssystems zu reflektieren und zu jenen Standards gehalten zu werden.
Was kommt als nächstes auf diesem Gebiet und wie ist Stanford mit.einbezogen?
Stanford hat an AI in der Medizin seit den achtziger Jahren, mit Stanford University Medical Experimental Computer – künstliche Intelligenz im Projekt der Medizin (SUMEX-AIM) gearbeitet. Heute gehören wir zu den wenigen Standorten, die aktiv arbeiten, um AI zur Klinik in den nächsten Jahren zu holen. Bei Stanford haben wir Bemühungen auf vier Fronten: sich entwickelnde neue AI-Methoden, sie in klinische Arbeitsflüsse einsetzend, den ethischen Rahmen ausbreitend und Sicherheit in den Designprozess aufbauend, also Algorithmen zu verbessern, die Weise sich zu interessieren stellen uns wir sie zu vor.