客服热线：
手机版
二维码
目前预测这类心血管疾病实际上是一个非常困难的任务。研究人员在最近发表的论文中表示，大约有一半的心脏病和中风发生在那些没有被标记为“有风险”的人群中。而目前评估患者患病风险的标准方法主要依赖于心脏协会学会制定的指南。现有标准的着眼点在于用高血压，胆固醇，年龄，吸烟和糖尿病等风险因素判定其发病几率。
研究员StephenWeng和他的同事基于英国的378,256名患者的病历档案测试了几种不同的机器学习工具。这些病历档案记录了2005年至2015年的患者及其健康状况，包含医疗条件，处方药，医院就诊，检查结果等信息。研究人员把75％的病历送到他们的机器学习模型中，以找出10年内经历心脏病发作或中风的患者的特征。然后对其他25％的记录进行了模型测试，来检测他们预测心脏病发作和中风的准确程度如何。
如果用1.0分表示100％准确度，传统预测标准得分为0.728。而机器学习模型的结果是从0.745到0.764，最佳分数来自神经网络机器学习模型：神经网络模型在7404例实际病例成功预测了4,998例，比传统方法多了355例。利用该技术进行预测可以帮助医生采取相应的预防措施，如为有发病风险的患者开具处方药来降低胆固醇。
那么该AI工具在实际诊断中是如何帮助医生工作的呢？StephenWeng表示他们的算法可以在查看、分析整个患者列表后，将有发病风险的患者标记出来，提醒医生注意。这个过程可以既可以发生在病患坐在医生面前进行例行检查的时候，也可以在病人不在场时完成。StephenWeng指出该平台的主要优势在于预测准确度：虽然类似的临床决策支持软件已经存在，但不同于这些软件，他们开发的系统使用了AI模式识别，可以提供更准确结果预测。
诺丁汉大学研究人员StephenWeng表示，目前在实验室中测试的AI医疗工具将很快提高临床医生在诊断和预后方面的准确性。“从研究到临床护理应用的飞跃将在未来五年内发生。”
然而目前面临的问题是，在AI进入真正的医疗场景之前仍然要得到监管认可。StephenWeng说：“实施的主要障碍将是管理隐私和患者保密问题，计算机算法需要通过大量病人数据进行分析，其中包含隐私的医疗信息。除了处理这些隐私问题外，也面临防止医疗机器做出自主决定的安全性问题。那么，“机器学习工具什么时候可以预测自己何时能获批上市呢？”
