数据驱动下知识获取智能化，机器学习将在医疗领域扮演重要角色
数据驱动下知识获取智能化，机器学习将在医疗领域扮演重要角色
2017-10-30 09:42:25 来源：亿欧网
抢沙发
2017-10-30 09:42:25 来源：亿欧网
摘要：利用大数据，机器学习可以用于预测患者的诊断结果、制定最佳疗程甚至评估风险等级、低人为失误。在不远的未来，所有医疗诊断、医学监测、以及医疗方案的制定在一定程度上都依赖于机器学习平台提供或建议的新知识。
关键词：
数据驱动
NIHR临床研究网络技术总监GarethBaxendale称，机器学习正逐渐渗透各专业领域，临床试验领域也不例外。
机器学习是否可以应用在临床试验并促进试验的成功呢？机器学习已渗透到每一个数字生活领域，人们对此技术也寄予厚望。事实上，或许你每天都无意识中使用机器学习技术。比如，亚马逊的Echo、苹果的Siri就是利用该技术进行语言识别。同时，谷歌的图片搜索功能也是利用机器学习技术“理解”图片的构成。这是个很不错的功能，你可以谷歌“吉娃娃或蓝莓松糕”，看看都显示什么结果。
“新知识”
机器学习是广为传播的另一概念-人工智能的一个分支。简单来讲，人工智能是人类智慧或人类行为的模仿，机器学习则是根据大量数据对“方式”和“行为”进行分析、检查、并配对。因此，机器学习支持“新知识获取”的智能化、数据驱动的决策过程。“新”知识让人们备受鼓舞。比如，机器学习可以用于预测患者的诊断结果、制定最佳疗程甚至评估风险等级。另外，它还有可能降低人为失误。
考虑到种种优势，机器学习应用于临床试验的尝试是非常有必要有价值的。
临床试验
本质上讲，临床试验是一系列须解答的问题，比如明确某种生物治疗、药品或者行为干预是否具有疗效、是否安全。一些临床试验针对研发新型疗法、有的则侧重新的结合疗法，有的则观察不同的药物套用于现疗法后的医学表现。不论是哪种，临床试验都是现有疗程的综合借鉴，以寻求更好的疗效和安全性。
每次临床试验都需要大量的数据，以提供可信有效的医学解答。这就为机器学习提供了第一个用武之地。
试验数据
试验阶段会产生大量的数据，研究人员也需要收集大量数据。患者则通过参与调查问卷、填写卫生日志、使用APP产生数据，同时心电图、核磁共振等检查也会产生数据。机器学习通过汇总分析这些数据获得“新信息”，而这些“新信息”通常不可能在其他途径下发现。以一家位于波斯顿的生物制药公司BERG Health为例，该公司有一个“疑问性生物”（Interrogative Biology）的机器学习平台。通过平台研究人员可以辨别药物的生物标志物并监控试验患者的反应。公司称：“我们根据个体患者的生物特征进行平台建模，并根据患者的药物反应，对试验人群分类，对患者生物体征和反应进行全程监控。这有利于试验的成功。”
在癌症的临床试验方面，一家英国公司ImageAnalysis利用机器学习技术分析了成千上万张图像资料。他们希望，机器学习通过分析进行辨别，并预测早期癌症症兆，进而为患者提供个人化的治疗过程。
最近，国家卫生研究院（NIHRNational Institute of Health Research）的基础医疗研究中心开展了一项研究，该研究获得授权使用临床实践研究数据（Clinical Practice Research Datalink）提供的英国37.8万患者的电子病历。研究人员从病历库调取了患者的风险信息比如吸烟史、血压等，将这些信息在四种新研发的算法下进行检测，预测患者的心脏病风险因素。研究报告称，“其中三种算法，在预测心脏病患者人数以及预测不会引发心疾的患者人数上均优于现行的风险模型。”
募集志愿患者
另一个应用领域是试验志愿者的募集，分辨出适合的，并有意愿参与和完成试验的患者的募集。辛辛那提儿童医院通过机器学习技术，查找患者接受或拒绝试验邀请的原因。
募集足够数量的患者完成调查研究对于很多医疗课题都是一个挑战。传统方法募集患者约有60%的成功率，研究人员预测，自动算法可以把患者接受率提高到72%。
成果出版
临床试验结束后，需要在专业期刊上发表试验结果。到项目最后一环，机器学习也可以帮上忙。伦敦国王学院（King’s College London）正在做一项‘审稿机器人（Robot Reviewer）’的机器学习项目。该项目由医学研究委员会（Medical Research Council （MRC））资助，旨在研发一种自动进行偏差评估的评审体系，帮助研究人员综合思考相关已发表依据的全面性。
未来应用
机器学习技术在未经监测的情况下直接决策的这种情景，可能还需要更长时间才能实现。但是，几乎可以肯定在不远的将来，所有医疗诊断、医学监测、以及医疗方案的制定在一定程度上都依赖于机器学习平台提供或建议的新知识。同时，已有一些平台提供有事实依据并可操作的临床试验APP–这对全世界的医学研究、对患者都是有益的。
第三十四届CIO班招生
国际CIO认证培训
首席数据官（CDO）认证培训
责编：yulina
免责声明：本网站（http://www.ciotimes.com/）内容主要来自原创、合作媒体供稿和第三方投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
本网站刊载的所有内容（包括但不仅限文字、图片、LOGO、音频、视频、软件、程序等）版权归原作者所有。任何单位或个人认为本网站中的内容可能涉嫌侵犯其知识产权或存在不实内容时，请及时通知本站，予以删除。
