Dans cet article, Jeff Dean et d'autres intelligence artificielle Daniel représente l'apprentissage des applications machine plan dans le domaine médical.
Premier coup d'oeil à deux scénarios:
Scénario 1:
Un patient âgé de 49 ans a remarqué une éruption cutanée sur les épaules, parce qu'ils ne se sentent pas la douleur, il ne cherche pas de traitement. Quelques mois plus tard, sa femme le laisse voir un médecin, le médecin lui a diagnostiqué souffrant de kératose séborrhéique. Plus tard, lorsque le patient est en train de faire la coloscopie de dépistage, l'infirmière a remarqué sur son épaule avec des taches noires, elle a suggéré qu'il va vérifier. Un mois plus tard, le patient est allé voir un dermatologue, le médecin a pris des échantillons de biopsie d'un certain nombre de lésions locales. Les résultats montrent que c'est une pigmentation des lésions non cancéreuses. Le médecin est très inquiet, a recommandé un échantillon biopsie second test, un diagnostic final du mélanome invasif. Après cela, l'oncologue avec une méthode de traitement des patients avec une chimiothérapie systémique. Un ami médecin a demandé pourquoi le patient ne reçoit pas un traitement immunosuppresseur.
Scénario 2:
A 49 ans, patient avec une application de téléphone portable a pris une photo de l'éruption sur les épaules, dermatologue app a suggéré qu'il fasse un rendez-vous immédiatement. Sa compagnie d'assurance directe approuver automatiquement le renvoi, l'aide de l'application lui réservé un dermatologue expérimenté à proximité en deux jours, et la nomination des patients victimes d'AVC individuels automatiquement recoupées avant. biopsie Dermatologue de la lésion était pathologiste un diagnostic de mélanome dans l'élimination assistée par ordinateur, puis chirurgicale d'un dermatologue.
Contraste scénario 1 et le scénario 2, nous pouvons voir que dans le même cas, une procédure médicale de la scène 2 met en uvre l'optimisation suivante: 1) le patient peut utiliser les téléphones mobiles pour prendre des photos des lésions directes, un diagnostic primaire par l'application, le système peut être fourni en application conformément conseils allocation rationnelle des ressources médicales, 2) les dermatologues et pathologistes pour parvenir à une collaboration efficace, l'équivalent d'un malade ordinaire a également été une consultation d'experts pour améliorer la précision des méthodes de diagnostic et de traitement. Ce Jeff Dean et d'autres pour nous de représenter un modèle pour les applications d'apprentissage de la machine dans le domaine médical.
Si le personnel de soins intensifs ou les agents de santé communautaires chacun de prendre une décision médicale, et immédiatement il y aura une équipe d'experts dans des domaines connexes à cet article composé de la décision de revoir la décision de déterminer si cela est correct et les guider, ce serait comme il? Dernières patients diagnostiqués avec l'hypertension sans complications reçoivent le meilleur traitement symptomatique disponible et le plus efficace plutôt que le diagnostic sont la méthode la plus familière du traitement. Cela permet d'éliminer en grande partie les erreurs de surdosage et de la prescription. Souffrant d'une consultation des patients de la maladie mystérieuse et rare peut être directement auprès des experts renommés dans les domaines connexes.
Un tel système semble très loin de nous. Parce qu'il n'y a pas assez d'experts avec le système d'un tel. Cependant, les experts, non seulement prend beaucoup de temps pour comprendre l'histoire du patient, et les questions liées à la vie privée peuvent aussi devenir un obstacle. Mais ce sont les perspectives pour le domaine médical de l'apprentissage de la machine - presque toutes les décisions prises par les cliniciens à diagnostiquer et le diagnostic de la sagesse des patients avec une composition de milliards devraient fournir des conseils pour les soins médicaux de chaque patient. En d'autres termes, nous devrions arriver à un diagnostic individualisé selon les informations en temps réel sur toute l'expérience connue et collective du patient, la prise de décision et le traitement de gestion.
Un tel cadre d'apprentissage de la machine met l'accent non seulement comme de nouveaux médicaments ou de nouveaux dispositifs médicaux tels nouveaux outils, mais une technique de base qui peut gérer efficacement les données de charge au-delà du cerveau humain. Ce grand magasin d'informations relatives à la grande base de données cliniques ou des données même pour un seul patient.
il y a 50 ans, un article de fond a fait remarquer que le calcul « renforcera, peut largement remplacé la sagesse du médecin dans certains cas. » Mais au début de 2019, par les soins de santé axés sur l'apprentissage machine a presque pas de progrès. Nous ne sommes pas discuté ici précédemment par de nombreuses preuves de l'essai du modèle conceptuel (rétrospective des données), mais de dire que certains des changements structurels fondamentaux dans le domaine du changement de paradigme santé et médical, qui, pour la réalisation de l'apprentissage de la machine dans le domaine médical aux perspectives il a dit être nécessaire.
explication Machine Learning
Traditionnellement, les ingénieurs logiciels extraient connaissances par une forme claire de code informatique, ce qui indique à l'ordinateur comment traiter les données et prendre les bonnes décisions. Par exemple, si le patient a une pression artérielle élevée, mais n'a pas reçu de traitement antihypertenseur, et que l'ordinateur correctement programmé peut faire des recommandations de traitement. Un tel système fondé sur des règles est logique et explicable, mais à partir de 1987, a déclaré un article dans le domaine médical, « trop large et trop compliqué, il est difficile (si possible) de saisir les informations pertinentes dans la règle ".
La différence clé entre les méthodes traditionnelles et l'apprentissage machine qui, dans l'apprentissage de la machine, le modèle est d'apprendre de l'échantillon plutôt que la programmation de la règle. Pour un échantillon tâche, entrée donnée donnée (fonction) et la sortie (étiquettes). Par exemple, la conversion de la lecture numérisé tranches de pathologiste caractérisés (de pixels de tranche) et les étiquettes (ci-dessus contient des informations indiquant si les éléments de coupe indique que le cancer). algorithme d'apprentissage à partir des observations, et de décider ensuite comment la carte de l'ordinateur à l'étiquette comporte pour créer un modèle de généralisation, de sorte que vous pouvez effectuer une nouvelle tâche correctement sur l'entrée invisible (par exemple, n'a jamais été lu contre la maladie tranche la science). La figure 1 résume le processus, on appelle cela un apprentissage machine supervisé. Il existe d'autres formes d'apprentissage de la machine. Le tableau 1 donne la liste des cas cliniques, la mise en correspondance d'entrée-sortie de ces modèles sont essentiellement basés sur des études évaluées par des pairs ou d'étendre l'apprentissage de la machine existante.
Figure 1: Vue d'ensemble conceptuel supervisé apprentissage machine
Tableau 1: exemples d'applications qui repoussent les données d'entrée de la machine et les types de données de sortie de l'apprentissage.
Dans la pratique, la précision de la prévision est critique, le modèle pour trouver des millions de fonctionnalités et la capacité d'échantillonner le modèle statistique peut certainement dépasser la performance humaine. Cependant, ces modèles ne peuvent pas être en mesure d'adapter pas nécessairement à la biologie de base d'authentification, d'identifier les facteurs de risque de soutenir le processus de développement de nouvelles thérapies qui peuvent être modifiées.
Pas tout à fait entre les modèles traditionnels d'apprentissage machine et modèles statistiques, un récent article résume la relation entre les deux. Mais la complexité des nouveaux modèles d'apprentissage de la machine (comme « l'apprentissage en profondeur » (un algorithme d'apprentissage machine à réseau de neurones artificiels qui peut apprendre à la relation extrêmement complexe entre les caractéristiques et les étiquettes, les performances sur des tâches telles que la classification d'images a transcendé humaine)) est adapté pour un complexe d'apprentissage, des données hétérogènes (comme les médecins écrivent des dossiers médicaux, des images médicales, des données de surveillance en continu des capteurs et des données génomiques) générés dans les cas cliniques modernes, afin de faire des prévisions relatives à la médecine. Le tableau 2 présente un simple et des modèles sophistiqués d'apprentissage de la machine ont été appliqués à la situation.
Tableau 2: Déterminer les questions clés modèle à utiliser pour demander.
La principale différence entre l'apprentissage humain et la machine est que l'apprentissage peut être des relations humaines universelles et complexes d'une petite quantité de données. Par exemple, les enfants ne voient pas trop d'échantillons seront en mesure de faire la distinction entre les guépards et les chats. Dans le cas de l'apprentissage de la même tâche, et les gens ont besoin de plus d'échantillons par rapport à la machine, et la machine n'a pas le bon sens. Mais d'un autre point de vue, la machine peut apprendre de grandes quantités de données. Les données dans le DSE (dossiers de santé électroniques, dossiers de santé électroniques) stockés dans les dizaines de millions de patients à la machine de train des modèles d'apprentissage est tout à fait possible, ce point de données à des centaines de milliards de absolument aucune attention, et les médecins de l'homme tout au long de sa carrière en admissions sont difficiles à des dizaines de milliers de patients.
Qu'est-ce que l'apprentissage de la machine pour aider les cliniciens travail
pronostic
modèles d'apprentissage de la machine peuvent apprendre des modèles de trajectoire de santé du patient. Il peut obtenir de l'information au-delà de l'expérience de chaque médecin, les médecins de l'aide d'experts pour prédire le niveau des événements futurs qui peuvent se produire. Par exemple, la probabilité du patient de retourner au travail beaucoup? La vitesse de progression de la maladie sera la vitesse? Le même type de prédiction peut être identifié de façon fiable dans de nombreux patients dans les situations à haut risque se poseront ou les soins aux patients peut être nécessaire souvent, cette information peut être utilisée comme complément d'information pour aider les médecins.
Les grands systèmes de santé intégrés sont déjà dans des modèles d'apprentissage machine simple, et il peut identifier automatiquement peuvent devoir être transférés à l'unité de soins intensifs en milieu hospitalier, des études rétrospectives montrent que vous pouvez construire plus complexe avec le DSE et des images médicales des données d'origine est plus précis le modèle pronostique.
Construction d'un système a besoin d'apprentissage de la machine à former avec l'intégration verticale des données du patient. Seulement lorsque l'ensemble de données de formation contient les résultats du modèle, le modèle peut apprendre l'état du patient. Mais les données sont maintenant stockées dans un système de DSE distincts, archivage d'image et système interactif, payeur, PBM (pharmacie gestionnaires d'avantages sociaux, la gestion des prestations de pharmacie) et l'application même sur le téléphone du patient. La solution naturelle est de trouver le système de données du patient dans leurs mains, ce qui est la raison pour laquelle nous avons depuis longtemps des solutions préconisées, et maintenant l'idée a également été l'adoption rapide par l'interface de programmation d'application contrôlée par le patient peut être atteint.
Comme FHIR (Ressources rapide Healthcare interopérabilité, les ressources d'interopérabilité de guérison rapide) ces données dans un ensemble de données de format unifié peut être plus efficace polymérisé. Les patients peuvent décider qui peut construire ou exécuter le modèle avec leurs données. En dépit de quelques préoccupations au sujet de l'interopérabilité sémantique ne peut pas résoudre le problème de la normalisation des données DSE dans la technologie omniprésente, mais HTML (Hypertext Markup, HTML) des données sur le Web peuvent être indexés, vous pouvez utiliser le moteur de recherche.
diagnostic
Chaque patient est unique, mais les signaux faibles peut être la meilleure des valeurs aberrantes médecin ou spécifiques du patient déterminées dans la plage normale. l'apprentissage de la machine peut être détectée par la reconnaissance des formes statistiques pour aider les médecins à diagnostiquer la maladie ne peut pas faire?
L'Institut de médecine a conclu que presque tous les patients rencontrera un diagnostic erroné dans son (sa) vie et diagnostic correct est la base de l'utilisation des thérapies appropriées. Ce problème se produit non seulement dans certains troubles rares. Dans les pays en développement, même avec un traitement adéquat, l'inspection et à plein temps la formation du personnel médical ne peut pas vérifier les complications de la douleur thoracique aiguë, la tuberculose, la dysenterie et pendant l'accouchement.
Les données recueillies lors de soins médicaux de routine ont montré que l'apprentissage de la machine peut être jugé diagnostic probable utilisé dans le diagnostic clinique, qui peut sensibiliser à la situation qui pourrait survenir à l'avenir. Mais cette approche a ses limites. Les cliniciens modèle d'information ne connaissent pas peut-être pas nécessaire d'extraire le bon, et ne peut donc pas permettre au modèle de sens. Les résultats obtenus dans le modèle peuvent être basées sur le diagnostic temporaire ou mal, peut ne pas se révéler être construit au-dessus des conditions défavorables, la condition (entraînant surdiagnostic), peut être affectée de facturation, ou ne pas avoir de casier. Mais le modèle fera des recommandations aux médecins sur la base de ces collecte de données en temps réel, ces recommandations à un taux élevé de mauvais diagnostic et cliniciens situation incertaine est très utile. Dans les incohérences cliniques signifient que les demandes de remboursement ou cliniciens enregistrés dans le diagnostic et DSE doivent être impliqués dès le début au processus de génération de données, ces données seront utilisées dans le cadre des soins de routine, mais aussi pour plus tard procédé de diagnostic de l'automobile.
le succès de la formation du modèle peut être retracée pour identifier les différents types d'anomalies d'image (tableau 1). Cependant, le nombre de modèles d'apprentissage de la machine comme une partie de routine du travail des cliniciens essais rétrospectives est très limité.
traitement
Dans des dizaines de milliers de grands médecins du système médical pour traiter des millions de patients, les patients des patients à quel moment et pourquoi le médecin doit être traité des situations similaires sont toutes différentes. Que le modèle peut classer ces différences pour aider les médecins à déterminer l'approche de traitement préféré?
Après un modèle et obtenir une ordonnance de prescription relativement simple application est plus point de soins (point de soins), les différences marquées peut être vérifiée à nouveau (par exemple, d'autres cliniciens préfèrent utiliser des thérapies alternatives peuvent refléter la nouvelle méthode). modèles de formation basés sur des données historiques ne peuvent apprendre les habitudes de prescription du médecin, mais ce n'est pas nécessairement l'approche idéale. Afin de comprendre la meilleure médecine et l'efficacité du traitement, besoin de données soigneusement recueillir et d'évaluer les effets de cause à effet, et des modèles d'apprentissage de la machine ne sont pas nécessairement (ni parfois donné ensemble de données) pour identifier ces effets.
Selon les données d'observation comparant l'efficacité des méthodes traditionnelles de recherche et d'expérimentation pratique fournit également une vue importante. Mais récemment, l'utilisation de tests de méthodes d'apprentissage automatique a montré que le dépistage et les experts génèrent ensemble des données artificielles établies jamais, mettre à jour le modèle d'intégrer de nouvelles données publiées, être ajustées en fonction des différents domaines de la prescription et extraites automatiquement à partir des variables liées au DSE sont importantes il remet en question.
Peut également choisir d'utiliser automatiquement l'apprentissage automatique chez les patients en fonction de dossiers cliniques, ces patients peuvent pour les essais contrôlés randomisés, ou peuvent être appris à identifier automatiquement les thérapies potentiellement curatives ou de nouvelles études précoces avec les patients des sous-groupes à haut risque ou à la machine. Ces outils servent à promouvoir le système médical et de la santé des recherches sur toutes les situations cliniques permet une recherche plus rigoureuse tout en réduisant les coûts et les coûts de gestion.
flux de travail clinique
Présentation de DSE améliore la disponibilité des données. Mais aussi en raison du coût élevé de ces systèmes, boîte de gestion des documents trop, pas assez interface conviviale, il prend beaucoup de temps aux données d'entrée et de produire de nouvelles erreurs médicales et d'autres cliniciens qui ont déshonoré.
les techniques d'apprentissage de la machine peuvent également être utilisés dans d'autres produits de consommation afin d'améliorer l'efficacité des cliniciens. Conduite moteur de recherche d'apprentissage de la machine peut trouver des informations sur les données des patients sans avoir besoin de plusieurs clics du clinicien. Peut grandement améliorer la forme d'entrée en utilisant les données de texte et technique d'apprentissage de la machine (par exemple, le type de prédiction, la dictée vocale et la synthèse, etc.). Selon les informations de modèle autorise automatiquement le paiement de la table du patient peut remplacer l'autorisation préalable. L'utilisation de ces outils non seulement pour la commodité du médecin. Dégagée vue et saisir des données sur les données critiques clinique valide de capture et d'enregistrement pour les soins de santé, ce qui peut aider à fournir les meilleurs soins médicaux pour tous les patients à l'aide de l'apprentissage de la machine. Plus important encore, cette approche augmente l'efficacité et de simplifier les dossiers, et d'améliorer l'automatisation des flux de travail clinique, afin que les cliniciens peuvent passer plus de temps sur les patients.
En plus des systèmes de DSE, l'apprentissage des techniques de la machine peuvent également être utilisés pour la chirurgie d'analyse vidéo en temps réel, le chirurgien peut aider à éviter les problèmes dans les structures anatomiques critiques ou des changements inattendus dans le corps du patient là-bas, il peut gérer des tâches encore plus courantes - - tels que le nombre d'éponges chirurgicales et des calculs précis. Liste de vérification (check-list) pour éviter les erreurs chirurgicales, il peut également surveiller automatiquement la procédure chirurgicale pour améliorer la sécurité de la chirurgie.
Dans la vie personnelle des cliniciens, ils peuvent être utilisés avec toutes les variantes de ces technologies sur leurs téléphones intelligents. Malgré les preuves de l'étude de concept de ces techniques utilisées en arrière-plan médical, mais sur le développement des principaux obstacles ne sont pas un modèle, mais la technologie d'infrastructure --EHR cadres juridiques, la vie privée et la politique, les systèmes de santé et les fournisseurs de technologie.
Accroître la disponibilité de l'expertise clinique
Le médecin ne pouvait pas prendre soin à tous les patients qui ont besoin d'un traitement. Que ce soit dans le cas de la machine que vous ne pouvez pas apprendre besoin d'un médecin personnellement impliqué, et d'élargir la portée des médecins, fournissant expertise médicale de celui-ci? Par exemple, les patients peuvent tout simplement envoyer une photo éruption avec un téléphone portable peut obtenir un diagnostic pour éviter la pendaison inutile salle d'urgence. Les patients eux-mêmes pour se rendre au service d'urgence peut être en mesure d'obtenir un système de diagnostic automatique dans le diagnostic et les soins au bon moment sous une autre forme. Lorsqu'un patient a besoin d'aide professionnelle, le modèle peut identifier le médecin professionnel et au repos le plus pertinent. De même, afin d'améliorer le confort et réduire les coûts, les données du capteur si la machine peut surveiller à distance les patients nécessitant des patients d'hospitalisation eux-mêmes peuvent être soignés à la maison.
Il y a certaines parties du monde, l'accès limité étude directe de l'expertise médicale, mais aussi très complexe, la machine idées d'apprentissage livrées directement au patient est de plus en plus important. Même dans les experts médicaux de grandes zones, ces médecins inquiets quant à leur capacité et l'effort ne peut pas être en temps opportun et d'expliquer avec précision la vague de données générales, qui est habituellement du patient dispositif de suivi du capteur ou activité usée obtenue, et par le patient propre lecteur. En fait, les modèles d'apprentissage machine de formation à partir des données obtenues des millions de patients peuvent professionnel de la santé aide à prendre de meilleures décisions. Par exemple, les infirmières peuvent entreprendre est généralement fait par le travail des médecins, les médecins de soins primaires peuvent généralement fait par supposent des médecins spécialistes au travail, et les experts médicaux peuvent consacrer plus de temps à leurs patients d'expertise indispensables.
l'apprentissage de la machine ne comporte pas le service ou l'application de réseau mobile a été montré pour améliorer la dépendance aux drogues, peut également contrôler une variété de maladies chroniques. Mais une évaluation formelle rétrospective et prospective des patients entravés l'application directe de l'apprentissage de la machine.
Le principal défi
La disponibilité des données de haute qualité
machine à construire des modèles d'apprentissage de base défi consiste à assembler représentant divers ensembles de données. L'approche idéale consiste à utiliser le format de données précises et la qualité des données utilisées pour former le modèle le plus proche souhaité pendant l'utilisation. Par exemple, pour une utilisation dans le modèle de soins infirmiers en temps réel destiné, il est préférable d'utiliser les mêmes données de DSE utilisés dans un cas particulier, même si ces données ne sont pas des données fiables ou connues affectées par des modifications non souhaitées. Lorsque l'ensemble de données est suffisamment grand, le modèle moderne peut être formé avec succès au bruit d'entrée bruyante mappé à la sortie. L'utilisation des données de dépistage artificielle (telles que celles dans les données d'essais cliniques obtenus à partir des cas d'examen manuel) rapetissent ensemble de données est moins idéale, à moins que vous voulez que le médecin pour extraire manuellement la spécification variable expérimentale brute. Cette approche peut fonctionner pour certaines variables, mais de faire le plus des prévisions précises nécessaires, les données DSE en termes de centaines de milliers de trop infaisable.
Comme dit le proverbe, « garbage in, garbage out » (garbage in, garbage out), alors comment pouvons-nous coordonnons les ensembles de données de bruit de formation pour ce modèle? Pour en savoir plus sophistiqué modèle statistique mieux d'avoir de grands ensembles de données (même si elle est données bruitées) afin d'évaluer et d'affiner le modèle, mais avec un ensemble plus petit échantillon de dépistage étiquette artificielle est toujours nécessaire. Lorsque l'erreur de données d'origine peut marquer cet ensemble échantillon peut faire une évaluation correcte de l'étiquette des attentes du modèle prédictif. modèle d'imagerie, ce qui est généralement déterminé par la nécessité de générer plus marquant chaque image est label « vérité terrain » (c.-à-indiqué par un expert pour l'échantillon absolument fiable d'un diagnostic ou découverte), mais non-imagerie tâche, sinon en mesure d'obtenir les tests diagnostiques nécessaires qui peuvent ne pas être en mesure d'obtenir l'étiquette « vérité terrain ».
En général, plus des modèles d'apprentissage machine de données de formation se comportent mieux. Par conséquent, pour l'utilisation de l'apprentissage de la machine est concernée, une question clé est dans le même avantage de prendre du temps des grands ensembles de données et divers pour améliorer la précision des modèles d'apprentissage de la machine, la nécessité de problèmes de confidentialité équilibre et les exigences réglementaires.
Apprendre de l'expérience des échecs passés
Toutes les activités humaines sont détruites écart inattendu. Tous les constructeurs et les utilisateurs des systèmes d'apprentissage de la machine doivent examiner attentivement la façon de compenser l'impact des données utilisées pour former le modèle, et de prendre des mesures pour atténuer et surveiller ces écarts.
Les avantages de l'apprentissage de la machine (également l'un des inconvénients) que le modèle peut reconnaître des modèles de données historiques de l'homme ne peuvent pas être trouvés. Les données historiques montrent que la pratique médicale, les gens peuvent obtenir des différences systématiques dans les soins de santé sont généralement fournis pour les groupes vulnérables de soins médicaux encore pire que les autres groupes. Aux États-Unis, les données historiques reflète un système de paiement qui récompense les gens utilisent les soins inutiles et des services, ce qui peut manquer ces patients (comme les patients non assurés), mais cela n'a pas été la prise en charge.
Supervision, suivi et expertise en matière de sécurité
Le système de santé a été mis en place pour assurer la livraison sûre du médicament aux mains des patients des mécanismes complexes. application à grande échelle de la machine d'apprentissage exige également la structure réglementaire tout aussi complexe, le cadre juridique et les pratiques pour assurer la sécurité du développement du système local, l'utilisation et la réglementation. De plus, les entreprises technologiques doivent fournir la plate-forme informatique évolutive pour traiter de grandes quantités de données et modèles utilisés, mais maintenant ils ne connaissent pas leur propre position.
Fait important, l'utilisation du système d'apprentissage de la machine à la fois les médecins et les patients ont besoin de comprendre ses limites, y compris le modèle ne généralise pas à une scène spécifique. Une dépendance excessive sur des modèles d'apprentissage machine lors de la prise de décisions ou l'analyse automatisée de l'image peuvent conduire à des biais, et le médecin peut avoir réduit leur vigilance contre ces écarts. Si le modèle est interprétabilité pas assez fort, les médecins ne connaissent pas toujours le modèle donne de mauvais conseils, alors des problèmes particuliers. modèle de prédiction de la performance dans un intervalle de confiance peut être utile, mais l'intervalle de confiance lui-même pourrait être mal interprété. Par conséquent, la nécessité d'utiliser des modèles prospectifs, l'évaluation clinique réelle, plutôt que de faire une évaluation rétrospective du modèle de performance basée sur des ensembles de données historiques.
Nécessitent une attention particulière des applications d'apprentissage machine directe pour les patients. Les patients peuvent être incapables de vérifier si le constructeur du modèle qui a confirmé les paroles de preuves cliniques de haute qualité, et ne peuvent pas valider le comportement du modèle proposé est raisonnable.
Publication et diffusion des résultats de recherche
Construire un modèle d'équipe interdisciplinaire pourrait rendre compte des résultats dans les cliniciens ne connaissent pas lieu. Le manuscrit est généralement affiché sur la prépublication arXiv et bioRxiv ce site de service, de nombreux modèles du code source seront stockés dans un endroit comme dépôt GitHub. En outre, de nombreux articles évalués par des pairs dans la science informatique et ne seront pas publiés dans les journaux traditionnels, mais seront publiés dans NeurIPS (conférence Neural Information Processing Systems) une telle réunion et ICML (Conférence internationale Machine Learning).
conclusion
Accélérer la création d'un grand nombre de données sur les soins de santé changer la nature des soins de santé fondamentalement. Nous croyons fermement que la relation médecin-patient sera la pierre angulaire de la prestation de services médicaux aux patients, et cette relation en raison de l'apprentissage de la machine auxiliaire et devenir riche. Nous attendons qu'il y aura des modèles plus anciens et des revues à comité de lecture au cours des prochaines années, leur présence et le développement du cadre réglementaire et des incitations économiques santé fondées sur la valeur, sera un motif d'application de l'apprentissage automatique dans le domaine médical pour maintenir une attitude optimiste. Nous nous attendons dans un avenir proche, des millions de cliniciens dans la prise en charge des patients avec des milliards, peut prendre des décisions fondées sur les données médicales pertinentes à l'aide de modèles d'apprentissage machine pour fournir le meilleur plan de soins pour tous les patients.
