外媒 | 机器学习在医疗保健领域的瓶颈是什么？-普瑞纯证

医疗保健领域充满了存储在多个地方并且每天都在不断发展的复杂数据，这使得它成为了人工智能形式中的机器学习的一个重要应用领域。机器学习是一种利用算法和统计模型分析和推断数据模式的计算机系统，能够学习和适应而不需要遵循明确的指令。近年来，机器学习已经在诊断和医疗编码的效率方面证明了其实用性。但是，还有许多其他领域机器学习可以发挥作用，但尚未取得进展。那是为什么呢？

Harshith Ramesh是Episource的联合首席执行官，该公司是医疗团体和医疗保险计划的风险调整服务和软件供应商，也是机器学习的专家。我们采访了他，讨论了机器学习为什么非常适合医疗保健领域，它如何帮助诊断和编码，以及最重要的是，它在医疗保健领域的瓶颈是什么。

你认为医疗保健领域是机器学习的独特适用领域。为什么？

机器学习是人工智能的一个分支，利用数据模仿人类学习的方式，随着时间的推移不断提高在给定任务上的表现。在医疗保健行业中，这项技术用于检测病人健康信息中的模式，并通过学习可用数据来改进其算法，从而变得更加精确。

在未来几年内，随着越来越多的提供者组织在价值基础合同模型下承担下行风险，高效、准确和具有成本效益地衡量病人结果变得比以往任何时候都更加重要。机器学习是提供者可以利用的关键工具，以实现这一目标。

由于过去二十年中病人数据量的指数增长，医疗保健领域非常适合机器学习。今天，全球约30%的数据由医疗保健行业产生。这部分是由于电子病历的广泛使用，该技术在1990年代首次得到推广。病人信息的数字化不仅增加了现有数据的数量，而且使其易于访问，以用于机器学习应用。

除了电子病历外，医疗保健数据还由越来越多的来源产生，例如医疗设备、可穿戴设备、数据清算中心、实验室和提供者办公室。这种丰富的数据对于机器学习模型变得更加准确以预测病人结果至关重要。这可以帮助提供者组织在时间上开发更全面的病人健康画像。

医疗保健数据也更加客观，因为它是由医疗专业人员记录的，而不是由病人自己记录。这使得数据更加可靠，可以用于机器学习模型的训练和预测。

然而，机器学习在医疗保健领域仍存在一些瓶颈。其中一个主要问题是数据的质量和完整性。由于医疗保健数据的复杂性，数据可能存在错误、遗漏或不一致。这可能会导致机器学习模型的不准确性和不可靠性。此外，医疗保健领域的法规和隐私问题也可能限制机器学习的应用。这些问题需要得到解决，以便机器学习在医疗保健领域发挥其最大的潜力。

版权声明 本网站所有注明“来源：普瑞纯证”或“来源：pureFDA”的文字、图片和音视频资料，版权均属于普瑞纯证网站所有。非经授权，任何媒体、网站或个人不得转载，否则将追究法律责任。取得书面授权转载时，须注明“来源：普瑞纯证”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。