Voir la traduction automatique
Ceci est une traduction automatique. Pour voir le texte original en anglais cliquez ici
#Actualités du secteur
{{{sourceTextContent.title}}}
Intelligence artificielle dans la médecine — résultats patients de prévision et au-delà
{{{sourceTextContent.subTitle}}}
Les machines deviennent meilleures et meilleures à analyser des données complexes de santé pour aider des médecins mieux à comprendre les besoins de l'avenir de leurs patients.
{{{sourceTextContent.description}}}
Dans une étude aujourd'hui dans la médecine de Digital de nature, un algorithme avancé a évalué les dossiers santé électroniques De-identifiés de plus de 216 000 hospitalisations patientes adultes pour prévoir des réadmissions inattendues, de longs séjours d'hôpital, et des décès à l'hôpital plus exactement que des approches précédentes.
J'ai rattrapé avec un des auteurs, Nigam Shah, MBBS, le doctorat, un professeur agrégé chez Stanford, pour se renseigner sur la nouvelle étude et pour discuter les implications pour l'intelligence artificielle dans la médecine.
Qu'apprend-il profondément et comment s'adapte-t-il dans l'univers plus grand de l'intelligence artificielle ?
L'étude profonde est l'une de plusieurs techniques d'apprentissage automatique qui peuvent être employées pour établir les systèmes intelligents. Cette technique, inspirée par les réseaux neurologiques du cerveau, emploie des couches multiples (par conséquent “profond ") d'unités de traitement non linéaires (analogues “aux neurones ") pour s'enseigner comment comprendre des données et puis classifier le disque ou faire des prévisions.
Cette nouvelle étude est un exemple de l'étude profonde appliqué aux tâches médicales de prévision. Dans le passé, les modèles prévisionnels dans les soins de santé ont considéré un nombre limité de variables dans des données haut-nettoyées de santé. Ici, les réseaux neurologiques pouvaient tamiser par des trésors des données brutes malpropres et apprendre comment organiser les données par l'intermédiaire des variables qui importent plus dans des résultats de prévision de santé.
Comment cette étude fait-elle avancer potentiellement le champ ?
Cette étude le montre qu'est possible de prendre des données électroniques malpropres de dossier santé — y compris les notes cliniques non structurées, les erreurs dans les labels, et un grand nombre de variables d'entrée — de différents établissements et rassembler l'information dans une entrée utilisable à partir de laquelle des prévisions recevables au sujet de la santé patiente peuvent être faites.
Que ce modèle prévisionnel fait-il disent-ils à des médecins qu'elles déjà ne savent pas ou ne peuvent pas figurer par des moyens traditionnels ?
Les modèles prévisionnels peuvent aider à faire pour s'inquiéter pour améliorer fondamentalement en créant les associations de gain dans lesquelles la machine prévoit et le docteur décide de l'action complémentaire. Le point d'employer l'AI (et l'apprentissage automatique) est de le faire effectuer des tâches qu'il peut accomplir bien, comme lire une image rétinienne ou marquer des caisses pour le suivi quand il y a un trop grand nombre à passer en revue manuellement. Les médecins ont alors l'heure et l'information de prendre les meilleures décisions, apportant le contexte social, clinique, et personnel pour soutenir. Ils font l'appel dessus si, comment, et quand agir.
Par exemple, il y a un projet chez Stanford qui emploie des algorithmes pour tamiser par de grandes bases de données, y compris les dossiers santé électroniques, pour détecter les patients qui ont vraisemblablement un certain état génétique qui peut mener à une crise cardiaque mortelle à un âge prématuré. Habituellement, les patients qui ont cette maladie ne savent pas qu'ils l'ont. Utilisant l'algorithme, les médecins peuvent découvrir plus tôt qui a la condition et offrir les traitements qui peuvent de manière significative améliorer des résultats.
Quelles sont les questions morales supérieures pour l'intelligence artificielle dans la médecine ?
Les deux questions les plus importantes dans mon esprit maintiennent l'équité en apprenant des données décentrées et de l'effet sur les relations de docteur-patient. Car nous établissons des systèmes d'apprentissage automatique, il est important de garder contre institutionaliser accidentellement des polarisations humaines existantes, telles que la polarisation raciale qui pourrait être présente dans les données, pendant la conception des algorithmes. Il est également crucial de comprendre comment l'utilisation d'un système d'AI pourrait changer les relations de docteur-patient, et s'assure que le changement est la sorte que nous voulons, avec des systèmes d'apprentissage automatique servant d'outil pour aider des médecins.
Finalement, il est important que nous établissent des systèmes d'apprentissage automatique pour refléter les normes morales de notre système de santé et pour être tenu sur ces normes.
Que vient après dans ce domaine et comment est Stanford a impliqué ?
Stanford avait travaillé à l'AI dans la médecine depuis les années 1980, avec Stanford University Medical Experimental Computer – intelligence artificielle dans le projet de la médecine (SUMEX-AIM). Aujourd'hui, nous sommes parmi les quelques sites qui fonctionnent activement pour apporter l'AI à la clinique dans les prochaines années. Chez Stanford, nous avons des efforts sur quatre avants : de nouvelles méthodes se développantes d'AI, les déployant dans des déroulements des opérations cliniques, présentant le cadre moral, et la sécurité des bâtiments dans le processus de conception, ainsi les algorithmes pour s'améliorer pour s'inquiéter la manière nous les envisageons à.