Модель машинного обучения обеспечивает быстрое предсказание трудного риска инфекции C.: Модель успешно относилась к данным медицинских центров с различным терпеливым населением, электронными системами медицинской документации

«Не обращая внимания на значительные упрочнения не допустить тяжёлую заразу C. и начать ранний курс лечения на диагноз, показатели заразы увеличиваются », говорит Эрика Шеной, Мэриленд, врач философии, Подразделения MGH Инфекционных болезней, co-ведущего-доцента Медицины и автора исследования в Медицинской школе Гарварда. «Нам необходимы лучшие инструменты, дабы опознать самых высоких больных риска так, дабы мы могли быть нацелены на и лечения и вмешательства профилактики, дабы уменьшить предстоящую передачу и улучшить состояние больного».Авторы отмечают, что большая часть прошлых моделей тяжёлого риска заразы C. было создано как «единые» подходы и включало лишь пара факторов риска, каковые ограничили их полноценность. Авторы Co-лидерства Джихех Ох, аспирант U-M в Разработке и Информатике, и Мэгги Макар, Миссисипи, Искусственного интеллекта и Лаборатории Информатики MIT и их сотрудников показали «громадные эти» подход, что проанализировал целую электронную медицинскую документацию (EHR), дабы угадать тяжёлый риск больного C. везде по ходу госпитализации. Их способ разрешает разработку определенных для учреждения моделей, каковые имели возможность разместить разное терпеливое население, разные совокупности EHR и факторы, характерные для каждого учреждения.

«В то время, когда эти легко объединены в единую модель, установленные различия в терпеливом населении, размещениях поликлиники, протоколах и тестировании лечения, либо кроме того в методе, которым сотрудники взаимодействуют с EHR, может привести к различиям в главных распределениях данных и в конечном итоге к неудовлетворительной работе таковой модели», говорит Дженна Винс, врач философии, Разработки и доцент Информатики в U-M и co-ведущем-авторе изучения. «Дабы смягчить эти неприятности, мы проявляем определенный для поликлиники подход, обучение модель, скроенная к каждому учреждению».Применяя их основанную на машинном обучении модель, следователи проанализировали de-identified эти – включая отдельные историю болезни и демографические данные пациентов, подробности их приема и вероятности воздействия и ежедневной госпитализации тяжёлого C. – от EHRs практически 257 000 больных, которых допускают либо в MGH либо в Мичиганскую Медицину – отвлечённый медицинский центр У-М – за периоды двух лет и шести лет, соответственно. Модель произвела ежедневную музыку риска к каждому отдельному больному, которая, в то время, когда порог комплекта превышен, классифицирует больных как в высоком риске.В целом, модели были весьма успешны при предсказании, каким больным в конечном итоге диагностируют тяжёлый C. В половине из тех, кто был заражен, правильные предсказания, быть может, были сделаны по крайней мере за пять дней перед тем, как диагностические образцы были собраны, что разрешит больным самого большого риска быть центром целенаправленных бактерицидных вмешательств.

В случае если утверждено в предполагаемых изучениях, счет предсказания риска имел возможность бы вести рано показ на тяжёлый C. Для больных, диагностированных ранее на протяжении заболевания, инициирование лечения имело возможность сократить серьезность заболевания, и больные с подтвержденным, C. тяжёлый, могли быть изолированы и связаться с мерами предосторожности, установленными, дабы не допустить передачу вторым больным.Исследовательская несколько сделала кодекс метода в свободном доступе тут для других, дабы разглядеть и приспособиться к их отдельным учреждениям. Шеной отмечает, что средства, каковые исследуют использование аналогичных методов к их собственным учреждениям, должны будут собрать соответствующих местных специалистов в предметной области и утвердить выполнение моделей в их учреждениях.

Изучите соавтора Винсента Янга, Мэриленд, врач философии, доктор наук Уильяма Генри Фицбатлера в Терапевтическом отделении в U-M, додаёт, «Это воображает возможно большой ход вперед в отечественной способности выяснить и в конечном итоге функционировать, дабы не допустить заражение тяжёлым C. Свойство опознать больных в самом громадном риске имела возможность разрешить нам сосредотачивать дорогие и возможно ограниченные способы предотвращения на тех, кто возьмёт самую громадную потенциальную пользу. Я пологаю, что данный проект – хороший пример ‘научного подхода’ команды к обращению к непростым биомедицинским вопросам улучшить здравоохранение, которое я ожидаю видеть, больше потому, что мы входим в эру здоровья точности».


14 комментариев к “Модель машинного обучения обеспечивает быстрое предсказание трудного риска инфекции C.: Модель успешно относилась к данным медицинских центров с различным терпеливым населением, электронными системами медицинской документации”

  1. А кули, страна на военных рельсах. Быстро восстанавливаем то, что д.аунецкое б.ыдло разваливало годами. Теперь каждая кaцапская тварь узрит своё место у параши…

  2. Chillshaper

    Автор статьи хоть разбирается в том, что такое правая или левая идеология? Если они за полную национализацию, то это не правая, а левая идеология

Оставьте комментарий