研究报告：《用于临床决策的机器学习：挑战与机遇》

来源：数字医疗　发布时间： 2020-05-28 14:50:09　编辑：夕歌

导读：本研究报告聚焦于机器学习这一人工智能的子领域，并将临床决策作为医疗实践的一个重要组成部分。

根据欧洲委员会设立的人工智能独立高级专家小组的定义，“人工智能(AI)系统是由人类根据给定的复杂目标，而设计出的在物理或数字维度通过感知环境进行数据采集、解释收集到的结构化或非结构化数据、进行知识推理或信息处理，从这些数据中得出，并决定为达到既定目标而采取最佳行动的软件(也可能有硬件) 系统。为此，“人工智能系统既可以使用符号规则，也可以学习数字模型，它们还可以通过分析环境如何受到之前行为的影响，来调整自己的行为。”“作为一门科学学科，人工智能包括若干方法和技术，如机器学习(其中深度学习和强化学习是具体的例子)、机器推理(其中包括计划、排程、知识表达和推理、搜索和优化)和机器人技术。”

在探讨用于临床决策的机器学习(ML)的情境之下，这些定义则具体指一个通过收集和解释与个人健康相关的数据并根据这些数据推理和建议为维持和改善个人健康采取最佳行动的、能对个人进行感知的软硬件系统。

这与医学专业人员在检查和治疗病人或建议预防措施以避免疾病时所采取的传统方法类似。因此，为了评估用于临床决策的机器学习系统的机会和挑战，应对临床医生所进行的这一过程做更详细的分析。此外，对于临床来说，要明确接受机器学习在医疗中的使用并对此有信心，所提供的系统应该接近于当前临床决策的制定过程，并遵循希波克拉底誓言:“首先不造成伤害”。

本研究报告聚焦于机器学习这一人工智能的子领域，并将临床决策作为医疗实践的一个重要组成部分。

利用机器学习(ML)方法来解决临床问题被称为是临床决策的革命性改变。这类工具的成功取决于对临床医生做决策的经典路径所使用的内在过程的理解。在与此途径并行的情况下，ML可以在四个层次上产生影响：对于数据采集，主要是通过使用尽可能小的学习曲线提取标准化的、高质量的信息；用于特征提取，使医护人员不必对原始数据进行繁琐的评测；通过消化复杂、异构的数据进行解释，以增强对患者状态的理解；对于决策支持，通过利用前面的步骤来预测临床结果、治疗效应或推荐特定的干预措施。