医疗中的机器学习——系统视角
计算机与社会
2020-01-22 v2 人工智能
机器学习
摘要
医疗格局的碎片化和孤岛化导致患者诊疗（与数据）分散于众多不同机构与计算机系统之间，且实现这些系统间的互操作性十分困难。互操作性的缺失不仅阻碍诊疗连续性并增加提供者负担，也妨碍了机器学习（ML）算法的有效应用。因此，当前多数旨在理解患者诊疗并辅助临床决策支持的ML算法都是在有限数据集上训练的。这种方法类似于还原论的牛顿范式：将系统拆解为基本组分，并通过单独理解这些组分来形成对整体的描述。还原论方法的一个关键局限在于忽略组分间相互作用及系统内的动态，而这些往往在理解复杂适应系统（CAS）的整体行为中至关重要。医疗即是一个CAS。尽管ML在健康数据上的应用已为临床决策支持带来渐进式改进，ML在重构整体诊疗服务并最大化诊疗价值方面具有更广阔的潜力。然而，这一ML潜力基本未被发掘：主要源于电子健康记录（EHR）的功能局限以及无法将医疗系统作为整体看待。本观点（i）将医疗阐述为兼具生物学与组织视角的复杂系统；（ii）以实例说明在通过ML应对医疗挑战时需采用系统方法；（iii）强调在充分尊重所有伦理与法律关切的同时释放EHR功能，以充分收获ML的益处。
引用
@article{arxiv.1909.07370,
title = {Machine learning in healthcare -- a system's perspective},
author = {Awais Ashfaq and Slawomir Nowaczyk},
journal= {arXiv preprint arXiv:1909.07370},
year = {2020}
}
备注
ACM SIGKDD Workshop on Epidemiology meets Data Mining and Knowledge Discovery (epiDAMIK), August 2019 Anchorage, USA