Zagubiony w myśli – granice ludzkiego umysłu i przyszłość medycyny cd

Zatem zamiast przewidywać biologiczne zjawisko niedokrwienia mózgu, algorytm przewidywałby łańcuch ludzkich decyzji prowadzących do kodowania udaru. Algorytmy, które uczą się na podstawie ludzkich decyzji, będą również uczyć się ludzkich błędów, takich jak przewlekłość i nadrozpoznawanie, nie zauważając ludzi, którzy nie mają dostępu do opieki, nieświadomych tych, którzy nie mogą płacić, i odzwierciedlających rasę lub uprzedzenia dotyczące płci. Ignorowanie tych faktów spowoduje automatyzację, a nawet powiększanie problemów w naszym obecnym systemie opieki zdrowotnej.5 Dostrzeżenie i cofnięcie tych problemów wymaga głębokiej znajomości decyzji klinicznych i danych, które produkują – rzeczywistości, która podkreśla znaczenie postrzegania algorytmów jako partnerów myślących, a nie niż wymiany, dla lekarzy.
Docelowo uczenie maszynowe w medycynie będzie sportem zespołowym, jak sama medycyna. Ale zespół będzie potrzebował nowych graczy: klinicystów przeszkolonych w zakresie statystyki i informatyki, którzy mogą w znaczący sposób przyczynić się do rozwoju algorytmów i ich oceny. Dzisiejszy system edukacji medycznej jest źle przygotowany, aby sprostać tym potrzebom. Wymagania wstępne przed lekami są absurdalnie nieaktualne. Edukacja medyczna w niewielkim stopniu szkoli lekarzy z zakresu nauk o danych, statystyki lub nauk behawioralnych wymaganych do opracowywania, oceny i stosowania algorytmów w praktyce klinicznej.
Integracja nauki o danych i medycyny nie jest tak odległa, jak może się wydawać: biologia komórki i genetyka, niegdyś obca medycynie, są teraz w centrum badań medycznych, a edukacja medyczna uczyniła wszystkich lekarzy świadomymi konsumentami tych dziedzin . Podobne wysiłki w dziedzinie danych są pilnie potrzebne. Jeśli dziś kładziemy fundamenty, klinicyści XXI wieku mogą mieć narzędzia potrzebne do przetwarzania danych, podejmowania decyzji i opanowania złożoności pacjentów w XXI wieku.
Finansowanie i ujawnianie informacji
Formularze ujawnień dostarczone przez autorów są dostępne pod adresem.
Author Affiliations
Z Brigham i Women s Hospital oraz Harvard Medical School, Boston (ZO, THL) i Press Ganey, Wakefield (THL) – oba w Massachusetts.

Materiał uzupełniający
Referencje (5)
1. Instytut Medycyny. Poprawa diagnozy w opiece zdrowotnej. Washington, DC: National Academies Press, 2015.

2. Obermeyer Z, Cohn B, Wilson M, Jena AB, Cutler DM. Wczesna śmierć po wypisaniu z oddziałów ratunkowych: analiza krajowych danych dotyczących roszczeń ubezpieczeniowych w USA. BMJ 2017; 356: j239-j239
Crossref Web of Science Medline
3. Syed Z, Stultz CM, Scirica BM, Guttag JV. Obliczeniowe biomarkery sercowe do stratyfikacji ryzyka po ostrym zespole wieńcowym. Sci Transl Med 2011; 3: 102ra95-102ra95
Crossref Web of Science Medline
4. Li L, Cheng WY, Glicksberg BS, i in. Identyfikacja podgrup cukrzycy typu 2 za pomocą analizy topologicznej podobieństwa pacjenta. Sci Transl Med 2015; 7: 311ra174-311ra174
Crossref Web of Science Medline
5. Mullainathan S, Obermeyer Z. Czy uczenie maszynowe automatyzuje pokusę nadużycia i błąd. Am Econ Rev 2017; 107: 476-480
Crossref Web of Science Medline
Zamknij odniesienia
Powołując się na artykuły (2)
Zamknij Cytowanie artykułów
Komentarze (23)
[patrz też: stomatolog płock, stomatologia katowice, stomatolog zielona góra ]

Tags: , ,

Comments are closed.

Powiązane tematy z artykułem: stomatolog płock stomatolog zielona góra stomatologia katowice