最近小茹姐發現使醫療保健中的人工智能民主化這個話題相信很多小伙伴們都很感興趣吧,那么今天就帶大家了解下使醫療保健中的人工智能民主化的具體詳情,那么小茹姐就來給大家說說具體的一些問題吧,希望對大家有所幫助。

一項比人類醫生更好地推薦敗血癥治療方法的人工智能程序可能很快將在倫敦進行臨床試驗。機器學習模型是一種新的醫學實踐方法的一部分，該方法挖掘電子病歷數據，以更有效的方式診斷和治療困難的??醫學問題，包括膿毒癥，這種疾病每年導致全世界600萬人死亡。

通過漫長，精心控制的實驗，發現敗血癥的一種有前途的治療策略并不是常規方法。取而代之的是，它出現在2015年倫敦舉行的免費黑客馬拉松比賽中。

在一場由工程師和衛生保健專業人員組成的競賽中，一個團隊使用MIT的開放式MIMIC 數據庫，找到了一種在重癥監護病房治療敗血癥患者的更好方法 。一個小組成員Matthieu Komorowski將繼續與負責MIMIC的MIT研究人員合作，開發一種強化學習模型，該模型可以預測使用較低劑量的IV液和較高劑量的血管收縮藥的患者的存活率。研究人員于 今年秋天在《 自然醫學》上發表了他們的 發現。

該論文是來自MIT研究人員Leo Celi和Beth Israel女執事醫學中心的內科醫師Leo Celi率先開展的“數據研究” 研究的一部分。Celi 在2014年1月舉行了 第一屆datathon大會，以激發波士頓地區的護士，醫生，藥劑師和數據科學家之間的合作。五年后，現在在世界某個地方每月進行一次數據采集。

經過幾個月的準備，參加者在周末聚集在贊助醫院或大學，通過MIMIC或本地數據庫進行梳理，以尋找診斷和治療重癥監護患者的更好方法。許多人繼續發表他們的工作，在該計劃的新里程碑中，強化學習論文的作者現在正在為倫敦帝國理工學院附屬的兩家醫院的臨床試驗準備敗血癥治療模型。

作為一名年輕醫生，塞利對他在患者護理中看到的各種各樣的變化感到困擾。對于普通患者而言，最佳治療常常似乎不適用于他所遇到的患者。到2000年代，Celi可以看到分析電子醫療記錄數據的強大新工具如何個性化患者護理。他辭去了醫生的工作，分別在哈佛大學和麻省理工學院攻讀公共衛生和生物醫學信息學雙碩士學位。

畢業后加入麻省理工 學院的醫學工程和科學研究所，他發現了醫療保健領域數據革命的兩個主要障礙：醫療專業人員和工程師很少互動，而且大多數醫院擔心承擔責任，希望保留其患者數據-包括實驗室測試到醫生的筆記-觸手可及。

Celi認為駭客馬拉松式的挑戰可以打破這些障礙。醫生將集思廣益并在數據科學家和MIMIC數據庫的幫助下回答問題。在此過程中，他們的工作將向醫院管理員展示未開發檔案的價值。最終，Celi希望發展中的醫院也能受到啟發來創建自己的數據庫。無法承擔臨床試驗費用的研究人員可以了解自己的患者群體并對其進行更好的治療，從而使新知識的創建和驗證民主化。

他說：“研究不必是昂貴的臨床試驗。” “患者健康記錄數據庫包含數百萬例涉及您患者的小型實驗的結果。突然，您有了幾個可以分析和學習的實驗室筆記本。”

到目前為止，倫敦，馬德里，塔拉戈納，巴黎，圣保羅和北京的多家贊助醫院已經著手建立自己的MIMIC版本，這使MIT的Roger Mark和Beth Israel花費了七年的時間進行開發。如今，借助MIMIC團隊開發并與他人共享的工具來標準化和取消識別其患者數據，該過程變得更加快捷。

Celi和他的團隊在Datathons舉辦很久以后就與外國合作者保持聯系，方法是在MIT托管研究人員，然后在全球Datathons上與他們重新聯系。Celi說：“我們正在歐洲，亞洲和南美建立區域網絡，以便它們可以互相幫助。” “這是擴展和維持項目的一種方式。”