Машинное обучение снизило смертность в канадской больнице почти на 30 процентов |
||
МЕНЮ Главная страница Поиск Регистрация на сайте Помощь проекту Архив новостей ТЕМЫ Новости ИИ Голосовой помощник Разработка ИИГородские сумасшедшие ИИ в медицине ИИ проекты Искусственные нейросети Искусственный интеллект Слежка за людьми Угроза ИИ ИИ теория Внедрение ИИКомпьютерные науки Машинное обуч. (Ошибки) Машинное обучение Машинный перевод Нейронные сети начинающим Психология ИИ Реализация ИИ Реализация нейросетей Создание беспилотных авто Трезво про ИИ Философия ИИ Big data Работа разума и сознаниеМодель мозгаРобототехника, БПЛАТрансгуманизмОбработка текстаТеория эволюцииДополненная реальностьЖелезоКиберугрозыНаучный мирИТ индустрияРазработка ПОТеория информацииМатематикаЦифровая экономика
Генетические алгоритмы Капсульные нейросети Основы нейронных сетей Распознавание лиц Распознавание образов Распознавание речи Творчество ИИ Техническое зрение Чат-боты Авторизация |
2024-09-17 12:15 Машинное обучение снизило смертность в канадской больнице почти на 30 процентов. Это очередной триумф науки и научного прогресса: машинное обучение спасло множество жизней. Если говорить простым языком: способная к самообучению компьютерная программа использовала данные из электронных медицинских карт пациентов в режиме реального времени для прогнозирования ухудшения состояния. При чтении таких новостей должна возникать радость - радость от того, что нам повезло жить в золотой век науки, золотой век научно обоснованной медицины, а не в тот период - который принято называть "эпохой героической медицины", когда медицина была сродни шарлатанству (про эту страшную эпоху мы публиковали материал - см. https://vk.com/wall-136637198_175371 ). Машинное обучение (англ. machine learning, ML) — это совокупность методов, направленных на то, чтобы заставить искусственный интеллект (ИИ) учиться и действовать как человек, а также сделать так, чтобы ИИ сам постоянно улучшал свое обучение и способности на основе данных о реальном мире. Канадские ученые проверили эффективность модели машинного обучения, в которой в реальном времени использовались данные из электронных медицинских карт пациентов для оценки тяжести их состояния. Как сообщается в научной статье в The Canadian Medical Association Journal, внедрение такой системы позволило сократить смертность в общетерапевтических отделениях почти на 30 процентов. Clinical evaluation of a machine learning–based early warning system for patient deterioration. CMAJ September 16, 2024 196 (30) E1027-E1037; DOI: 10.1503/ cmaj.240132 Считается, что неправильная оценка тяжести состояния пациента выступает основной причиной незапланированных переводов в отделения интенсивной терапии и реанимации, а также смертности. (см. Delayed Recognition of Deterioration of Patients in General Wards Is Mostly Caused by Human Related Monitoring Failures: A Root Cause Analysis of Unplanned ICU Admissions - doi 10.1371/ journal.pone. 0161393 Чтобы снизить число таких неправильных оценок, исследователи пытаются разработать статистические модели, способные предсказывать ухудшение состояния пациента. Однако из-за малого числа исследований эффективность таких инструментов остается неоднозначной, несмотря на широкое распространение подобных систем. Исследовательская группа под руководством Амола Верма (Amol Verma) из Больницы Святого Михаила в Торонто изучила связь между внедрением многогранной системы прогнозирования рисков и раннего предупреждения, основанной на машинном обучении, и клиническими исходами среди пациентов в отделениях общего и специализированного профиля. Модель машинного обучения использовала данные из электронной медицинской карты пациента в режиме реального времени для прогнозирования ухудшения состояния. Многомерная адаптивная регрессионная сплайновая модель определяла риск ухудшения состояния пациента как низкий, средний или высокий. Для пациентов с высоким риском была разработана и внедрена специальная схема оказания медицинской помощи, в то время как категории среднего и низкого риска были предоставлены для информирования клиницистов о состоянии пациента без какой-либо конкретной схемы лечения. Врачей и медсестер оповещали о том, что состояние пациента изменилось с помощью текстовых сообщений и электронных писем. В исследование включили 13649 пациентов, поступивших в отделение общего профиля (9626 до внедрения системы оценки риска и 4023 — после), и 8470 пациентов, поступивших в специализированные отделения (6103 до внедрения и 2367 — после). Исходные характеристики когорт были хорошо сбалансированы, за исключением среднего возраста. После корректировки на сопутствующие факторы риска, смертность была значительно ниже в группе пациентов общего профиля после внедрения системы оценки риска (1,6 процента), чем в группе пациентов общего профиля до ее внедрения (2,1 процента; скорректированный относительный риск 0,74). При этом ученые не наблюдали существенной разницы в общей смертности, смертности в паллиативных отделениях или частоте переводов между отделениями (в том числе, в отделение интенсивной терапии). Также исследователи не обнаружили разницы в уровнях смертности до и после внедрения системы оценки риска в узкоспециализированных отделениях. Кроме того, внедрение системы оценки рисков ассоциировалось с более частым назначением антибиотиков (28,9 процента до внедрения против 49,4 процентов после внедрения; р < 0,001) и системных глюкокортикоидов (10,4 процента против против 17 процентов; р = 0,001), а также более частым измерением показателей жизнедеятельности. По мнению авторов работы, внедрение системы, которая оценивает риски того, что состояние пациента может ухудшиться, вместе с возможностью раннего предупреждения врача может снизить смертность у госпитализированных больных. Дальнейшие исследования будут направлены на то, чтобы масштабировать результаты и выяснить причины несовершенства модели и путаниц в данных. Источник русского текста: статья издания Nplus1 - Машинное обучение снизило смертность в канадской больнице. Ранее в паблике "Доказательная медицина" было опубликовано: Перспективы медицины: рутинизация врачебных манипуляций, узкая специализация и искусственный интеллект. Отрывок из книги американского хирурга Атула Гаванде "Тяжелый случай. Записки хирурга". Впервые предположение, что компьютеры могут справляться с диагностикой лучше людей, было высказано в 1990 в статье Уильяма Бакста, на тот момент врача неотложной помощи Калифорнийского ун-та в Сан-Диего. Бакст описал «искусственную нейронную сеть»...Такие экспертные системы обучаются на своем опыте во многом так же, как и люди, усваивая обратную связь от каждого удачного или неудачного случая для повышения точности предположений. В следующем исследовании...компьютер играючи победил группу врачей при диагностике инфарктов у пациентов с болью в груди. https://vk.com/wall-136637198_128256 Чат-бот ChatGPT помог поставить диагноз ребенку с синдромом фиксированного спинного мозга - с этой задачей не справились 17 американских врачей Доктор Джесси Эренфельд, президент Американской медицинской ассоциации, считает что "подобно тому, как мы требуем доказательств того, что новые лекарства... безопасны и эффективны", мы должны требовать "доказательства безопасности и эффективности" применяемых в медицине компьютерных программ, работа которых основана на искусственном интеллекте (ИИ). https://vk.com/wall-136637198_123864 Чат-бот с искусственным интеллектом (ChatGPT): применение при розацеа ChatGPT (Чат Джи Пи Ти) в очередной раз показал: искусственный интеллект (ИИ) в медицине нужен. ChatGPT достигает высокой надежности от 92,22% до 97,78% при ответе на распространенные вопросы пациентов о розацеа. https://vk.com/wall-136637198_155339 Чат-бот с искусственным интеллектом (ChatGPT) превзошёл врачей-эндоскопистов в определении интервалов повторного скрининга и надзорной колоноскопии. https://vk.com/wall-136637198_160371 ИИ-инструменты в работе врача. Врач Татьяна Румянцева. Видео от Doc2Doc. https://vk.com/wall-136637198_176169 Источник: vk.com Комментарии: |
|