人工智能及其患者安全问题 肝炎会传染吗,大理旅行攻略,宝山海德花园

 公司新闻     |      2019-09-18 06:16

肝炎会传染吗,大理旅行攻略,宝山海德花园

编译自:Robert Challen,AHRQ Patient Safety Network,Perspectives on Safety,July 2019

自电子健康记录问世以来,人们便致力于运用信息技术为临床医生提供更加安全和高效的服务。事实上,人工智能更新上,希望通过对过去收集的案例数据进行分析整合从而构建一个机器内部系统模型,最终应用该模型为新病人的推理诊断提供服务。由于该研究重点在近期文献中频频出现,AI几乎成了机器学习更新的代名词。

未来的机器学习系统将基于新病人的数据对进行预判性诊断,并为获取最佳临床结局制定患者管理策略。这类系统既可以定期反复训练,也可以从以往的决策中自主学习。从长远来看,自主决策系统将有望应用于诊断特定的临床问题,但这场演变也将在短期、中长期时间内引发一系列特定的安全问题,这些问题在最近的一篇综述中已被提及。然而,就在近日,美国食品药品监管局对提供辅助诊断的机器自主学习更新系统进行了批准,因此,伴随着这些系统而来的安全问题成为了本文将要探讨的重点。

在传统的临床决策支持系统中,疾病诊断依据主要由专家们提出,且均基于循证原则。而机器学习行为取决于它在训练过程中所获得的数据,当机器学习系统现有数据不能完全匹配患者的疾病现状时,系统的准确性将受到质疑,这种现象称为分布位移。原因可能包括训练数据的代表性不强、患者诊断不全面、或者将机器学习系统不适当地应用于不同的患者群体而该群体不在样本内。其他因素还包括不同患者的人口统计学差异、时间变化、疾病各阶段临床差异、定义黄金诊断标准的不一致以及用于扫描患者的机器本身的差异性等。临床医生应该思考这样一个问题:如果没有对整个培训过程进行深入了解,我们如何确信特定的机器自主学习决策支持系统适合特定的患者?

机器学习训练包括优化预测准确性的过程。与临床医生工作量相比,越来越多的研究声称机器诊断行为堪称超人的表现。例如,针对皮肤病分类的机器学习系统的诊断效率已被证实明显优于临床医生在一系列良性和恶性皮肤病中进行的人工测试效率,但同时,该系统相比临床医生而言更容易出现误判。这种情况下,在训练机器学习系统时必须考虑到错误情况下可能造成某些后果的严重性,同时,也必须要考虑到算法的目的,权衡由假阳性和假阴性诊断结果带来的利弊。一些算法,例如Isabel诊断支持系统中包括“不能错误诊断”这一类别,以围绕该轴重新确定诊断建议的优先级。

最近,苹果公司获FDA批准,使用智能手表来检测心房颤动的算法。对此,苹果公司也有相应的担忧:这种算法的广泛使用,特别是在那些使用苹果手表而房颤发生率很低的年轻人群中,可能会出现大量的假阳性房颤诊断而促使其进行不必要的医学检查。近期,苹果公司向美国心脏病学会提交了关于AppleWatch大规模研究的初步结果,基于目前现有数据下结论还为时尚早。但在少量已发生的心房颤动警报案例中,只有34%的使用者通过随访心电图得以证实他确实有房颤的发生。虽然指导GRADE指南发展准则很重要,但在机器学习研究中却很少考虑到:“如果一项测验不能改善患者的重要结果,无论它的准确度多高,都没有使用它的理由。”

本文地址:http://www.feizekeji.com/jiadian/194508.html 转载请注明出处!