[ad_1]

برخی از سازمان های مراقبت های بهداشتی با استفاده از یادگیری ماشینی و سایر اشکال هوش مصنوعی بهترین راه های مراقبت مبتنی بر شواهد را به پزشکان ارائه می دهند.

هدف این گروه ممکن است بهبود برنامه مراقبت از بیمار بر اساس تجزیه و تحلیل شخصی باشد. هدف دیگر می تواند ادغام بیشتر مسیرهای مراقبت مبتنی بر واقعیت با استفاده تاریخی و نتایج برای ارائه مراقبت بهینه از بیمار باشد. ارائه دهندگان می توانند از عوامل اجتماعی سلامت همراه با یادگیری ماشین برای ارائه خدمات مربوط به بالینی استفاده کنند.

اخبار فناوری اطلاعات در مراقبت های بهداشتی در مورد این ایده ها با نایل اوکانر ، مدیر ارشد فناوری در Cohere Health ، ارائه دهنده فن آوری ها و خدمات هوش مصنوعی برای افزایش تجربه ارائه دهنده ، بیمار و پرداخت کننده صحبت می کند.

سوال: از یادگیری ماشینی برای بهبود جامع برنامه کلی مراقبت از بیمار بر اساس تجزیه و تحلیل شخصی چگونه استفاده می شود؟ و چگونه برای ایجاد مراقبت درجه یک از بیمار ، از یادگیری ماشینی برای ترکیب مسیرهای مراقبت مبتنی بر واقعیت – با استفاده واقعی از تاریخچه ، نتایج و جدیدترین متون استفاده می شود؟

آ: رهنمودهای مبتنی بر شواهد یک جز component مهم در راه حل مراقبت هوشمند است. در واقع ، آنها نقطه شروع مدلهای ما هستند. ما هرگز نمی خواهیم پیچیدگی را که در دستورالعمل های بالینی روشن شده است ، دوباره یاد بگیریم.

“ما از پردازش زبان طبیعی برای کمک به منزوی کردن و تفسیر منابع به مواردی مانند تأثیرات سبک زندگی یا از سرگیری شغل پس از جراحی کمک می کنیم.

نایل اوکانر ، سلامت کوهره

در همان زمان ، دستورالعمل هایی برای یک بیمار متوسط ​​نوشته شده است و ممکن است نتواند با تمام جایگزینی های بیماری همبودی که برای بیماران با شدت بالا وجود دارد ، مطابقت داشته باشد. در اینجا یادگیری ماشینی می تواند کمک کند. برای بیمارانی که به طور کامل به مسیرهای مراقبت مبتنی بر شواهد پاسخ نمی دهند ، می توانیم از مدل های یادگیری ماشینی استفاده کنیم تا نتیجه بگیریم که موثرترین مسیر برای بیماران یکسان از نظر داده های تاریخی واقعی است.

س: چگونه از یادگیری ماشینی استفاده می شود که از عوامل اجتماعی سلامت و سبک زندگی بیمار استفاده می کند تا مراقبت دقیق و معنی داری از نظر بالینی داشته باشد؟

آ: داده های مربوط به عوامل اجتماعی تعیین کننده سلامت (SDOH) و سبک زندگی بیمار معمولاً در پرونده الکترونیکی استاندارد سلامت موجود نیست ، اما پزشکان سخت کوش معمولاً در یادداشت های بالینی خود به این نوع داده ها مراجعه می کنند.

ما همچنین می توانیم مدل هایی را با داده های SDOH – مانند سرشماری ایالات متحده – که ممکن است دسترسی بیمار یا سایر چالش ها را نشان دهند و داده های گزارش شده توسط بیماران اعم از سبک زندگی یا سلامتی را نشان دهند.

این یک چالش برای تجزیه و تحلیل معمول است ، بنابراین ما از پردازش زبان طبیعی برای جدا کردن و تفسیر منابع به مواردی مانند تأثیرات سبک زندگی یا از سرگیری کار پس از جراحی استفاده می کنیم. اگرچه کشف این عبارات در صورت موجود بودن جامع نیست ، اما آنها می توانند به ما کمک کنند تا نقاط پایانی ارزشمندی برای نتیجه ارائه دهیم.

س: چگونه یادگیری ماشینی برای اولین بار در این مناطق مفید تلقی می شود؟

آ: تجزیه و تحلیل داده های بالینی مشکل بزرگی در داده ها نیست. این یک مشکل گیج کننده داده است و این واقعیت را عذاب می دهد که بسیاری از اطلاعات ارزشمند به راحتی در قالب یک ساختار قابل دسترسی نیستند.

میزان صدا همچنین در چرایی استفاده از یادگیری ماشینی نقش زیادی دارد. هنگامی که ما با هزاران ویژگی به پایان می رسیم ، برای شناسایی متغیرهای محرک مدل به یادگیری ماشین نیاز داریم. به ویژه برای SDOH ، یادگیری ماشین برای انتخاب متغیر بسیار مهم است و برای بهبود هر سیگنال از نویز داده های بالینی عملیاتی ضروری است.

توییتر: SiwickiHealthIT
به نویسنده ایمیل بزنید: bsiwicki@himss.org
Health IT News نشریه ای از رسانه HIMSS است.



[ad_2]

منبع: gharb-khabar.ir