數(shù)據(jù)驅(qū)動下知識獲取智能化，機器學習將在醫(yī)療領域扮演重要角色
數(shù)據(jù)驅(qū)動下知識獲取智能化，機器學習將在醫(yī)療領域扮演重要角色
2017-10-30 09:42:25 來源：億歐網(wǎng)
搶沙發(fā)
2017-10-30 09:42:25 來源：億歐網(wǎng)
摘要：利用大數(shù)據(jù)，機器學習可以用于預測患者的診斷結(jié)果、制定最佳療程甚至評估風險等級、低人為失誤。在不遠的未來，所有醫(yī)療診斷、醫(yī)學監(jiān)測、以及醫(yī)療方案的制定在一定程度上都依賴于機器學習平臺提供或建議的新知識。
關鍵詞：
數(shù)據(jù)驅(qū)動
NIHR臨床研究網(wǎng)絡技術(shù)總監(jiān)GarethBaxendale稱，機器學習正逐漸滲透各專業(yè)領域，臨床試驗領域也不例外。
機器學習是否可以應用在臨床試驗并促進試驗的成功呢？機器學習已滲透到每一個數(shù)字生活領域，人們對此技術(shù)也寄予厚望。事實上，或許你每天都無意識中使用機器學習技術(shù)。比如，亞馬遜的Echo、蘋果的Siri就是利用該技術(shù)進行語言識別。同時，谷歌的圖片搜索功能也是利用機器學習技術(shù)“理解”圖片的構(gòu)成。這是個很不錯的功能，你可以谷歌“吉娃娃或藍莓松糕”，看看都顯示什么結(jié)果。
“新知識”
機器學習是廣為傳播的另一概念-人工智能的一個分支。簡單來講，人工智能是人類智慧或人類行為的模仿，機器學習則是根據(jù)大量數(shù)據(jù)對“方式”和“行為”進行分析、檢查、并配對。因此，機器學習支持“新知識獲取”的智能化、數(shù)據(jù)驅(qū)動的決策過程。“新”知識讓人們備受鼓舞。比如，機器學習可以用于預測患者的診斷結(jié)果、制定最佳療程甚至評估風險等級。另外，它還有可能降低人為失誤。
考慮到種種優(yōu)勢，機器學習應用于臨床試驗的嘗試是非常有必要有價值的。
臨床試驗
本質(zhì)上講，臨床試驗是一系列須解答的問題，比如明確某種生物治療、藥品或者行為干預是否具有療效、是否安全。一些臨床試驗針對研發(fā)新型療法、有的則側(cè)重新的結(jié)合療法，有的則觀察不同的藥物套用于現(xiàn)療法后的醫(yī)學表現(xiàn)。不論是哪種，臨床試驗都是現(xiàn)有療程的綜合借鑒，以尋求更好的療效和安全性。
每次臨床試驗都需要大量的數(shù)據(jù)，以提供可信有效的醫(yī)學解答。這就為機器學習提供了第一個用武之地。
試驗數(shù)據(jù)
試驗階段會產(chǎn)生大量的數(shù)據(jù)，研究人員也需要收集大量數(shù)據(jù)?；颊邉t通過參與調(diào)查問卷、填寫衛(wèi)生日志、使用APP產(chǎn)生數(shù)據(jù)，同時心電圖、核磁共振等檢查也會產(chǎn)生數(shù)據(jù)。機器學習通過匯總分析這些數(shù)據(jù)獲得“新信息”，而這些“新信息”通常不可能在其他途徑下發(fā)現(xiàn)。以一家位于波斯頓的生物制藥公司BERG Health為例，該公司有一個“疑問性生物”（Interrogative Biology）的機器學習平臺。通過平臺研究人員可以辨別藥物的生物標志物并監(jiān)控試驗患者的反應。公司稱：“我們根據(jù)個體患者的生物特征進行平臺建模，并根據(jù)患者的藥物反應，對試驗人群分類，對患者生物體征和反應進行全程監(jiān)控。這有利于試驗的成功。”
在癌癥的臨床試驗方面，一家英國公司ImageAnalysis利用機器學習技術(shù)分析了成千上萬張圖像資料。他們希望，機器學習通過分析進行辨別，并預測早期癌癥癥兆，進而為患者提供個人化的治療過程。
最近，國家衛(wèi)生研究院（NIHRNational Institute of Health Research）的基礎醫(yī)療研究中心開展了一項研究，該研究獲得授權(quán)使用臨床實踐研究數(shù)據(jù)（Clinical Practice Research Datalink）提供的英國37.8萬患者的電子病歷。研究人員從病歷庫調(diào)取了患者的風險信息比如吸煙史、血壓等，將這些信息在四種新研發(fā)的算法下進行檢測，預測患者的心臟病風險因素。研究報告稱，“其中三種算法，在預測心臟病患者人數(shù)以及預測不會引發(fā)心疾的患者人數(shù)上均優(yōu)于現(xiàn)行的風險模型。”
募集志愿患者
另一個應用領域是試驗志愿者的募集，分辨出適合的，并有意愿參與和完成試驗的患者的募集。辛辛那提兒童醫(yī)院通過機器學習技術(shù)，查找患者接受或拒絕試驗邀請的原因。
募集足夠數(shù)量的患者完成調(diào)查研究對于很多醫(yī)療課題都是一個挑戰(zhàn)。傳統(tǒng)方法募集患者約有60%的成功率，研究人員預測，自動算法可以把患者接受率提高到72%。
成果出版
臨床試驗結(jié)束后，需要在專業(yè)期刊上發(fā)表試驗結(jié)果。到項目最后一環(huán)，機器學習也可以幫上忙。倫敦國王學院（King’s College London）正在做一項‘審稿機器人（Robot Reviewer）’的機器學習項目。該項目由醫(yī)學研究委員會（Medical Research Council （MRC））資助，旨在研發(fā)一種自動進行偏差評估的評審體系，幫助研究人員綜合思考相關已發(fā)表依據(jù)的全面性。
未來應用
機器學習技術(shù)在未經(jīng)監(jiān)測的情況下直接決策的這種情景，可能還需要更長時間才能實現(xiàn)。但是，幾乎可以肯定在不遠的將來，所有醫(yī)療診斷、醫(yī)學監(jiān)測、以及醫(yī)療方案的制定在一定程度上都依賴于機器學習平臺提供或建議的新知識。同時，已有一些平臺提供有事實依據(jù)并可操作的臨床試驗APP–這對全世界的醫(yī)學研究、對患者都是有益的。
第三十四屆CIO班招生
國際CIO認證培訓
首席數(shù)據(jù)官（CDO）認證培訓
責編：yulina
免責聲明：本網(wǎng)站（http://www.www.gypb.net/）內(nèi)容主要來自原創(chuàng)、合作媒體供稿和第三方投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
本網(wǎng)站刊載的所有內(nèi)容（包括但不僅限文字、圖片、LOGO、音頻、視頻、軟件、程序等）版權(quán)歸原作者所有。任何單位或個人認為本網(wǎng)站中的內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，請及時通知本站，予以刪除。
