p Avaliações realistas do fim da vida podem ser mais precisas por causa da IA ​​e das redes neurais. p Os cientistas do Google estão analisando o potencial da IA ​​para uso na medicina e os resultados estão circulando por sites de observação de tecnologia, publicando manchetes atraentes. O Google está treinando máquinas para fazer avaliações precisas sobre a mortalidade de pacientes internados. Os relatórios se referiam à equipe Medical Brain da empresa.

p Como Correio diário apontou, o AI foi desenvolvido em colaboração com colegas da UC San Francisco, Stanford Medicine e The University of Chicago Medicine.

p Com certeza, eles não são os primeiros a explorar o uso de sistemas de computador para aprender com um banco de dados de dados clínicos. A ideia de usar sistemas de computador para aprender a partir de um "banco de dados altamente organizado e registrado" de dados clínicos tem uma longa história, eles disseram.

p O problema é que os modelos preditivos construídos com dados EHR usam uma mediana de apenas 27 variáveis, eles escreveram, dependem de modelos lineares generalizados tradicionais, e são construídos usando dados em um único centro. Por outro lado, eles construíram um estudo de aprendizado profundo em uma variedade de problemas de previsão com base em vários dados de hospitais gerais.

p “Se uma equipe clínica tivesse que investigar pacientes com previsão de alto risco de morte, a taxa de alertas falsos em cada ponto no tempo foi reduzida pela metade por nosso modelo, "eles relataram.

p "Aprendizado profundo escalonável e preciso com registros eletrônicos de saúde" é o título do artigo, publicado em npj Digital Medicine em maio.

p "A promessa da medicina digital origina-se em parte da esperança de que, digitalizando dados de saúde, podemos aproveitar mais facilmente os sistemas de informação do computador para compreender e melhorar o atendimento, " eles escreveram.

p A chave para tudo isso é a modelagem preditiva com dados do registro eletrônico de saúde (EHR). "Propomos uma representação de todos os registros de EHR brutos dos pacientes com base no formato Fast Healthcare Interoperability Resources (FHIR). Demonstramos que os métodos de aprendizagem profunda usando esta representação são capazes de prever com precisão vários eventos médicos de vários centros sem harmonização de dados específicos do local . "

p o Los Angeles Times citou um dos autores:"Até 80% do tempo gasto nos modelos preditivos de hoje vai para o 'trabalho básico' de tornar os dados apresentáveis, "disse Nigam Shah, professor associado da Universidade de Stanford e co-autor do artigo. Contudo, com a abordagem do Google, disse Shah, "Você pode jogar a pia da cozinha e não precisa se preocupar com isso."

p Victor Tangermann em Futurismo disse que "A rede neural inclui até mesmo notas manuscritas, comentários, e rabisca em gráficos antigos para fazer suas previsões. "

p Os autores chutaram os pneus das abordagens tradicionais de modelagem e apontaram as limitações que elas colocaram. Eles disseram que tais abordagens lidam com a complexidade, escolhendo um número limitado de variáveis ​​comumente coletadas a serem consideradas. "Isso é problemático porque os modelos resultantes podem produzir previsões imprecisas:previsões falso-positivas podem sobrecarregar os médicos, enfermeiras, e outros provedores com alarmes falsos e fadiga de alerta concomitante. "

p Eles falaram de aprendizagem profunda e redes neurais para desbloquear as informações necessárias para uma imagem mais completa.

p Futurismo disse, "Em testes usando dados de dois hospitais dos EUA, pesquisadores conseguiram mostrar que esses algoritmos podem prever a duração da internação e o tempo de alta de um paciente, mas também a hora da morte. "

p Eles incluíram um total de 216, 221 hospitalizações envolvendo 114, 003 pacientes únicos.

p "Para o melhor de nosso conhecimento, nossos modelos superam os modelos de EHR existentes na literatura médica para prever mortalidade (0,92-0,94 vs 0,91), readmissão inesperada (0,75-0,76 vs 0,69), e maior tempo de internação (0,85-0,86 vs 0,77). "

p Os autores comentaram sobre a disponibilidade de dados. "Os conjuntos de dados analisados ​​durante o estudo atual não estão disponíveis publicamente:devido a questões razoáveis ​​de privacidade e segurança, os dados EHR subjacentes não são facilmente redistribuíveis a pesquisadores que não sejam aqueles envolvidos nas colaborações de pesquisa aprovadas pelo Comitê de Revisão Institucional com os centros médicos nomeados. " p © 2018 Tech Xplore