Фото Christina Morillo из Pexels
Это был насыщенный событиями период времени во время моей недавней встречи с лихорадкой денге. Я тащил свое тело в клинику на каждом шагу, когда появились первые симптомы — я чувствовал себя слабым, с ужасной головной болью, лихорадкой и низким давлением. Врач диагностировал это как обычный приступ простуды, который ухудшился, учитывая, что я простудился на прошлой неделе.
Второй раз я обратилась в другую клинику в надежде на правильный диагноз и получение медицинской справки. Ожидание было слишком долгим, и у меня были обмороки, даже когда я сидел. Дежурный врач также диагностировал у меня обычный приступ простуды, который ухудшился, и написал заключение врача, чтобы исключить лихорадку денге, пока меня переправляли в больницу.
Прибыв в больницу, чувствуя себя очень усталым, врач из больницы задал несколько вопросов, нашел время, чтобы выслушать и провел несколько тестов. Собрав информацию и результаты анализов, врач вернулся с точным диагнозом денге.
Благодаря этим встречам я начал задаваться вопросом: «Что нужно человеку, чтобы поставить точный диагноз или принять решение на основе здравого суждения?»
Один врач обратил внимание на историческое событие многолетней давности, когда у меня был приступ простуды, переросший в пневмонию. Другой врач сосредоточился на моей простуде за последнюю неделю. И, наконец, последний врач, который принял во внимание не только два вышеуказанных симптома. Этот последний врач также принял во внимание огромную заболеваемость лихорадкой денге в моем районе и результаты моих медицинских анализов.
Основываясь на трех разных способах, которыми врачи выносили свои суждения и принимали решения, первые два врача могли бы повысить точность своего решения, придав большее значение тому, что происходит сейчас, и меньшее значение тому, что произошло в прошлом. Второй врач мог бы рассмотреть более широкий контекст для повышения точности решения.
В свете этого могут ли модели машинного обучения принимать более точные решения при диагностике заболеваний?
Модель прогнозирующего машинного обучения, основанная на долговременной кратковременной памяти (LSTM), могла бы предотвратить предвзятость первого врача, придававшего слишком много значения условиям прошлого. Прогностическая модель может быть обучена на обучающем наборе количественных данных о здоровье и диагностике для каждого пациента с течением времени. Впоследствии гиперпараметры прогностической модели можно было настроить на наборе данных о состоянии здоровья и диагностике для каждого пациента с большими весами для недавних состояний.
Чтобы улучшить производительность прогностической модели, мы могли бы расширить набор данных, включив в него входные данные из двух моделей временного набора слов. Первая модель временного мешка слов может содержать слова из качественных диагностических данных с течением времени. Вторая временная модель «мешка слов» может содержать слова из новостей о том, что происходит в определенных географических областях с течением времени. Выходные данные обеих моделей временного пакета слов при вводе в модель LSTM теоретически могут имитировать точный диагноз третьего врача для моей лихорадки денге. Это могло бы предотвратить предвзятость решения второго врача, который не учитывал множество других факторов, влияющих на диагноз.
Тщательно продумав дизайн моделей машинного обучения, объем и широту данных, которые необходимо получить, а также то, как мы можем связать выходные данные одной модели в качестве входных данных для другой модели, модели машинного обучения можно использовать в медицинских учреждениях для более точной диагностики состояния пациента. состояние здоровья по сравнению с людьми.
