Le valutazioni realistiche della fine della vita possono essere più accurate grazie all'intelligenza artificiale e alle reti neurali.

Gli scienziati di Google stanno esaminando il potenziale dell'intelligenza artificiale per l'uso in medicina e i risultati stanno facendo il giro dei siti di osservazione della tecnologia pubblicando titoli accattivanti. Google sta addestrando le macchine per effettuare valutazioni accurate sulla mortalità dei pazienti ricoverati. I rapporti si riferivano al team Medical Brain dell'azienda.

Come Mail giornaliera sottolineato, l'IA è stata sviluppata in collaborazione con i colleghi della UC San Francisco, Medicina di Stanford e Medicina dell'Università di Chicago.

Di sicuro, non sono i primi a esplorare l'uso dei sistemi informatici per apprendere da un database di dati clinici. L'idea di utilizzare sistemi informatici per apprendere da un "database altamente organizzato e registrato" di dati clinici ha una lunga storia, loro hanno detto.

Il problema è che i modelli predittivi costruiti con i dati EHR utilizzano una mediana di sole 27 variabili, scrissero, si affidano ai tradizionali modelli lineari generalizzati, e sono costruiti utilizzando i dati in un unico centro. D'altra parte, hanno costruito uno studio sull'apprendimento profondo in una varietà di problemi di previsione sulla base di più dati ospedalieri generali.

"Se un team clinico dovesse indagare su pazienti che si prevede fossero ad alto rischio di morte, il tasso di falsi allarmi in ogni momento è stato approssimativamente dimezzato dal nostro modello, "hanno riferito.

"Apprendimento profondo scalabile e accurato con cartelle cliniche elettroniche" è il titolo del loro documento, pubblicato in npj Medicina Digitale a maggio.

"La promessa della medicina digitale nasce in parte dalla speranza che, digitalizzando i dati sanitari, potremmo sfruttare più facilmente i sistemi informatici per comprendere e migliorare l'assistenza, " scrissero.

La chiave di tutto questo è la modellazione predittiva con i dati della cartella clinica elettronica (EHR). "Proponiamo una rappresentazione dell'intera documentazione EHR grezza dei pazienti basata sul formato Fast Healthcare Interoperability Resources (FHIR). Dimostriamo che i metodi di deep learning che utilizzano questa rappresentazione sono in grado di prevedere con precisione più eventi medici da più centri senza l'armonizzazione dei dati specifici del sito ."

Il Los Angeles Times citava uno degli autori:"Fino all'80% del tempo speso sui modelli predittivi di oggi va al 'lavoro di taglio' di rendere presentabili i dati, " disse Nigam Shah, professore associato alla Stanford University e coautore del documento. Però, con l'approccio di Google, disse Scià, "Puoi buttare nel lavello della cucina e non devi preoccupartene."

Victor Tangermann in Futurismo ha affermato che "La rete neurale include anche note scritte a mano, Commenti, e scarabocchia su vecchi grafici per fare le sue previsioni."

Gli autori hanno preso a calci gli pneumatici degli approcci di modellazione tradizionali e hanno sottolineato i limiti che ponevano. Hanno detto che tali approcci hanno affrontato la complessità scegliendo un numero limitato di variabili comunemente raccolte da considerare. "Questo è problematico perché i modelli risultanti possono produrre previsioni imprecise:le previsioni false positive possono sopraffare i medici, infermieri, e altri fornitori con falsi allarmi e concomitante affaticamento degli allarmi".

Hanno parlato di deep learning e reti neurali per sbloccare le informazioni necessarie per un quadro più completo.

Futurismo disse, "Negli studi che utilizzano i dati di due ospedali statunitensi, i ricercatori sono stati in grado di dimostrare che questi algoritmi potevano prevedere la durata del soggiorno di un paziente e il tempo di dimissione, ma anche l'ora della morte».

Comprendono un totale di 216, 221 ricoveri per 114, 003 pazienti unici.

"Al meglio delle nostre conoscenze, i nostri modelli superano i modelli EHR esistenti nella letteratura medica per la previsione della mortalità (0,92-0,94 vs 0,91), riammissione inaspettata (0,75-0,76 vs 0,69), e una maggiore durata del soggiorno (0,85-0,86 vs 0,77)".

Gli autori hanno commentato la disponibilità dei dati. "I set di dati analizzati durante l'attuale studio non sono pubblicamente disponibili:a causa di ragionevoli problemi di privacy e sicurezza, i dati EHR sottostanti non sono facilmente ridistribuibili a ricercatori diversi da quelli impegnati nelle collaborazioni di ricerca approvate dall'Institutional Review Board con i centri medici nominati".

© 2018 Tech Xplore