Zagubiony w myśli – granice ludzkiego umysłu i przyszłość medycyny ad

Czy nasze wrodzone poznanie rozwiąże zagadki zdrowia i choroby w nowym stuleciu. Stan naszego systemu opieki zdrowotnej nie daje powodów do optymizmu. Ale jest nadzieja. Te same komputery, które dziś dręczą nas niekończącymi się polami wyboru i formularzami, jutro będą w stanie przetwarzać i syntetyzować dane medyczne w sposób, w jaki nigdy nie moglibyśmy sami zrobić. Już teraz istnieją przesłanki, że nauka o danych może nam pomóc w krytycznych problemach.
Rozważ wyzwanie czytania elektrokardiogramów. Lekarze szukają garstki funkcji, aby zdiagnozować niedokrwienie lub zaburzenia rytmu – ale czy możemy naprawdę odczytać przebiegi w 10-sekundowym śledzeniu, nie mówiąc już o wielodniowym nagrywaniu monitora Holtera. Algorytmy mogą natomiast systematycznie analizować każde uderzenie serca. Istnieją wczesne sygnały, że takie analizy mogą identyfikować subtelne mikroskopijne wariacje związane z nagłą śmiercią sercową.3 Jeśli zostaną zatwierdzone, takie algorytmy mogą pomóc nam zidentyfikować i potraktować dziesiątki tysięcy Amerykanów, którzy w przeciwnym razie mogliby niespodziewanie upaść w danym roku. Mogli także prowadzić podstawowe badania mechanizmów nowo odkrytych czynników prognostycznych.

Algorytmy zostały również zastosowane do analizy ogromnych ilości danych EHR, których wyniki sugerują, że cukrzyca typu 2 ma trzy podtypy, każdy z własnym biologicznym podpisem i trajektorią choroby.4 Wiedza, z którym pacjentem mamy do czynienia, może nam pomóc w dostarczeniu terapie dla tych, którzy najbardziej skorzystają i mogą pomóc nam zrozumieć, dlaczego niektórzy pacjenci mają powikłania, a inni nie.
Nie ma wątpliwości, że algorytmy przekształcą myślenie leżące u podstaw medycyny. Pozostaje tylko pytanie, czy transformacja ta będzie napędzana siłami z wewnątrz lub na zewnątrz pola. Jeśli medycyna chce zachować kontrolę nad własną przyszłością, lekarze nie tylko będą musieli objąć algorytmy, ale także będą musieli je doskonalić w zakresie ich opracowywania i oceniania, wprowadzając metody uczenia maszynowego do dziedziny medycyny.
Uczenie maszynowe pobudziło już innowacje w dziedzinach od astrofizyki po ekologię. W tych dziedzinach poszukuje się eksperckiej rady naukowców komputerowych, gdy potrzebne są najnowocześniejsze algorytmy w przypadku drażliwych problemów, ale eksperci w tej dziedzinie – astrofizycy lub ekolodzy – ustalają program badań i prowadzą codzienną działalność związaną z uczeniem maszynowym do odpowiednich danych.
W medycynie natomiast zapisy kliniczne są uważane za skarbnicę danych dla badaczy z dziedzin nieklinicznych. Lekarze nie są potrzebni, aby przyjmować pacjentów – więc konsultuje się je tylko okazjonalnie, być może sugerując interesujące wyniki. Są dalekie od intelektualnego centrum pracy i rzadko angażują się w sensowne myślenie o tym, jak algorytmy są rozwijane lub co by się stało, gdyby były stosowane klinicznie.
Ale ignorowanie myślenia klinicznego jest niebezpieczne. Wyobraź sobie bardzo dokładny algorytm, który wykorzystuje dane EHR do przewidywania, którzy pacjenci z oddziału ratunkowego są narażeni na wysokie ryzyko udaru. Nauczył się diagnozować udar poprzez ubijanie dużych zestawów rutynowo zbieranych danych. Krytycznie wszystkie te dane są wynikiem decyzji podejmowanych przez człowieka: decyzja pacjenta o potrzebie opieki, decyzja lekarza o zamawianiu testu, decyzja diagnosty, aby wywołać stan udaru
[więcej w: spreżyny talerzowe, stomatologia Kraków, stomatologia implanty ]

Tags: , ,

Comments are closed.

Powiązane tematy z artykułem: spreżyny talerzowe stomatologia implanty stomatologia Kraków