最近小茹姐发现使医疗保健中的人工智能民主化这个话题相信很多小伙伴们都很感兴趣吧,那么今天就带大家了解下使医疗保健中的人工智能民主化的具体详情,那么小茹姐就来给大家说说具体的一些问题吧,希望对大家有所帮助。

一项比人类医生更好地推荐败血症治疗方法的人工智能程序可能很快将在伦敦进行临床试验。机器学习模型是一种新的医学实践方法的一部分，该方法挖掘电子病历数据，以更有效的方式诊断和治疗困难的​​医学问题，包括脓毒症，这种疾病每年导致全世界600万人死亡。

通过漫长，精心控制的实验，发现败血症的一种有前途的治疗策略并不是常规方法。取而代之的是，它出现在2015年伦敦举行的免费黑客马拉松比赛中。

在一场由工程师和卫生保健专业人员组成的竞赛中，一个团队使用MIT的开放式MIMIC 数据库，找到了一种在重症监护病房治疗败血症患者的更好方法 。一个小组成员Matthieu Komorowski将继续与负责MIMIC的MIT研究人员合作，开发一种强化学习模型，该模型可以预测使用较低剂量的IV液和较高剂量的血管收缩药的患者的存活率。研究人员于 今年秋天在《 自然医学》上发表了他们的 发现。

该论文是来自MIT研究人员Leo Celi和Beth Israel女执事医学中心的内科医师Leo Celi率先开展的“数据研究” 研究的一部分。Celi 在2014年1月举行了 第一届datathon大会，以激发波士顿地区的护士，医生，药剂师和数据科学家之间的合作。五年后，现在在世界某个地方每月进行一次数据采集。

经过几个月的准备，参加者在周末聚集在赞助医院或大学，通过MIMIC或本地数据库进行梳理，以寻找诊断和治疗重症监护患者的更好方法。许多人继续发表他们的工作，在该计划的新里程碑中，强化学习论文的作者现在正在为伦敦帝国理工学院附属的两家医院的临床试验准备败血症治疗模型。

作为一名年轻医生，塞利对他在患者护理中看到的各种各样的变化感到困扰。对于普通患者而言，最佳治疗常常似乎不适用于他所遇到的患者。到2000年代，Celi可以看到分析电子医疗记录数据的强大新工具如何个性化患者护理。他辞去了医生的工作，分别在哈佛大学和麻省理工学院攻读公共卫生和生物医学信息学双硕士学位。

毕业后加入麻省理工 学院的医学工程和科学研究所，他发现了医疗保健领域数据革命的两个主要障碍：医疗专业人员和工程师很少互动，而且大多数医院担心承担责任，希望保留其患者数据-包括实验室测试到医生的笔记-触手可及。

Celi认为骇客马拉松式的挑战可以打破这些障碍。医生将集思广益并在数据科学家和MIMIC数据库的帮助下回答问题。在此过程中，他们的工作将向医院管理员展示未开发档案的价值。最终，Celi希望发展中国家的医院也能受到启发来创建自己的数据库。无法承担临床试验费用的研究人员可以了解自己的患者群体并对其进行更好的治疗，从而使新知识的创建和验证民主化。

他说：“研究不必是昂贵的临床试验。” “患者健康记录数据库包含数百万例涉及您患者的小型实验的结果。突然，您有了几个可以分析和学习的实验室笔记本。”

到目前为止，伦敦，马德里，塔拉戈纳，巴黎，圣保罗和北京的多家赞助医院已经着手建立自己的MIMIC版本，这使MIT的Roger Mark和Beth Israel花费了七年的时间进行开发。如今，借助MIMIC团队开发并与他人共享的工具来标准化和取消识别其患者数据，该过程变得更加快捷。

Celi和他的团队在Datathons举办很久以后就与外国合作者保持联系，方法是在MIT托管研究人员，然后在全球Datathons上与他们重新联系。Celi说：“我们正在欧洲，亚洲和南美建立区域网络，以便它们可以互相帮助。” “这是扩展和维持项目的一种方式。”