如何将疾病信息捕获到分析框架中
预测疾病负担对医疗保健意义重大且显而易见。关于AI和ML“预测疾病”的能力有很多讨论的声音。这样一来，“疾病预测”就有了细微的差别。这些类型的索赔需要仔细评估其基本假设和分析代理。
什么是疾病？
在维基百科中，疾病被定义为“......导致活生物体紊乱......不是由于任何外部伤害......疾病通常被解释为与特定症状和体征相关的医学状况”。刚才说的最后一部分，这里是有细微的差别的。
当临床医生做出诊断时，他们依赖各种信息来支持他们的决定：包括患者的行为和症状、实验室值、放射性检查等。结果最终被编入正式的分类系统，如ICD-10 。在疾病最终得到确认之前，可能会有后续测试，第二和第三种意见，但很少有一个决定因素。
另一方面，机器学习模型通常需要特定的端点来预测（用于监督学习），并始终需要相关和全面的信息（用于监督学习和无监督学习）。例如，一个模型可以估计一个异常实验室值的概率。图像识别在医学成像中非常流行。这些类型的结果是疾病状态的指标，有时是强烈的，但单独与结果临床确认的信息主体不相同。这意味着，当一个模型“预测疾病”时，它不一定是我们认为的，是常见意义上的疾病。
另一方面，那些声称为临床决定建模的人（例如，在医疗索赔中存在ICD-10码）也不一定是分析准确的病情状态。例如，审查制度（由于缺乏信息而导致疾病发生与意识之间存在差异）以及疾病严重程度和复杂程度的差异是这种方法中混杂的问题。这种方法类似于临床试验中的复合终点，其中“结果”可以是预定义的状态或事件的组合。这会在确定的人群中产生异质性，进而破坏预测的质量。
尽管如此，这并不意味着预测临床结果和疾病状态是没有用的，但需要仔细考虑将临床信息适当地抽象为分析过程。
如何成功
你能做些什么来确保建模练习的成功？这里提供几种策略可以使这种训练成功：
1）找出你想要建模的东西
“弄明白它”，这听起来很容易，但一直在很多情况下，客户不清楚他们能在试图摆脱建模过程中得到什么。特别是对于复杂、变化多样的疾病，用户需要清楚自己想要做什么。
2）了解你的局限性
3）选择正确的方法
有很多方法可以捕捉和预测疾病状况。主流的机器学习范式倾向于关注一些简单的回归或分类方法，这些方法由复杂的编程程序支持，但也有其他的很多方法可用。下面是列举的一些流行的例子/案例研究。
深度学习检测糖尿病视网膜病变
利用纵向数据的聚类方法识别疾病的轨迹
使用生存分析确定预期的死亡时间和癌症的主要阶段
可以再想想你自己的问题，然后做做自己的研究。
閱讀更多 AI中國 的文章
