Ubacivanje elektronskih zdravstvenih podataka u modele mašinskog učenja može značajno da poboljša preciznost predviđanja ishoda, navodi se u novoj studiji objavljenoj u časopisu „Nature”.
Na osnovu eksperimenta u kome su korišćeni podaci iz dvije bolnica u SAD, istraživači su uspjeli da pokažu kako se pomoću algoritama mogu predvidjeti dužina ostanka pacijenta u bolnici, vrijeme kada će biti otpušten, ali i vrijeme kada će pacijent umrijeti.
Neuronska mreža, opisana u studiji, za predviđanje koristi ogromne količine podataka koje potiču iz medicinske istorije pacijenta, kao i ključnih parametara vezanih za njegovo zdravstveno stanje. Sistem, pritom, može da obradi čak i rukom pisane tekstove, komentare i bilješke sa starih kartona...
Algoritam slaže važne prethodne događaje iz medicinske istorije u vremenski slijed događaja, što omogućava modelu mašinskog učenja da predviđa buduće ishode, među kojima je i vrijeme smrti, piše „Futurism”.
Postavlja se pitanje, kakva bi korist mogla da bude od ovoga?
Bolnice bi mogle da pronađu nove načine određivanja prioriteta kod njege pacijenata, bolje prilagođavaju terapije i otkrju hitne slučajeve ranije nego dosad. Računar bi tako mogao da rastereti zdravstvene radnike u preuzme veliki dio obrade podataka na sebe.
Vještačka inteligencija je već našla više načina primjene u zdravstvu. Nekoliko nedavno razvijenih algoritama moglo je da dijagnostifikuje rak pluća i bolest srca preciznije od ljekara. Korišćena je i kod određivanja rizika od razvoja jedne od najčešćih bolesti oka, prenosi tportal.
S druge strane, preusmjeravanje ogromne količine osjetljivih ličnih podataka u jedan prediktivni model u vlasništvu jedne od najvećih privatnih korporacija na svijetu ne zvuči baš kao najprivlačnije rješenje.
Komentari
Komentari se objavljuju sa zadrškom.
Zabranjen je govor mržnje, psovanje, vrijedjanje i klevetanje. Nedozvoljen sadržaj neće biti objavljen.
Prijavite neprikladan komentar našem
MODERATORU.
Ukoliko smatrate da se u ovom članku krši Kodeks novinara, prijavite našem
Ombudsmanu.
)){kind=small}
