МАШИННОЕ ОБУЧЕНИЕ
Эпидемиология и машинное обучение
Инструмент статистики революционизирует здравоохранение
Эпидемиология - это изучение распределения состояний здоровья (физического и / или психического), факторов, вызывающих или влияющих на эти состояния, и связанных с ними рисков. Это исследование проводится на определенной популяции. Его цель - найти и установить закономерности распространения болезней в определенных группах и предложить решения, которые окажутся наиболее подходящими с учетом природы рассматриваемого заболевания. Эпидемиология играет очень важную роль в формулировании политики здравоохранения, оценивая потребности населения. За этим следует проведение интервенционных процедур населению; который может быть лекарством, как в случае профилактики полиомиелита, или системой рекомендаций, как в различных кампаниях по повышению осведомленности, проводимых для людей. Эти мероприятия превращают эпидемиологию в междисциплинарную область, включающую биостатистику, менеджмент, технологии, а также знания в области разработки политики.
Исследование и последующее прогнозирование выполняются с использованием доступных методов, которые включают биостатистические инструменты измерения, такие как пропорция, нормы и соотношение.
Однако, благодаря недавним достижениям в области искусственного интеллекта, предпринимаются постоянные усилия по внедрению таких технологий, как машинное обучение (ML), для помощи в прогнозировании и предотвращении различных негативных последствий для здоровья. Это делается путем обработки и анализа данных, собранных из выборки. Способность ML решать сложные задачи с динамическими параметрами и знаниями способствовала его популярности в области общественного здравоохранения. В последнее время также включается Data Analytics. Аналитика данных, когда используется в эпидемиологии, обслуживает аспект, в котором собранные данные очищаются и систематизируются; и несбалансированные данные нормализуются. Об использовании высокоточных вычислительных моделей для обработки и выполнения необходимых операций для получения требуемых результатов ведутся разговоры в течение некоторого времени. В моделях машинного обучения факторы, которые вызывают / влияют на конкретное состояние, становятся функциями, которые действуют как независимая переменная, которую модели принимают в качестве входных данных для возврата прогнозируемого значения / метки класса.
Все это время основной проблемой для тестирования этих моделей было отсутствие крупномасштабных данных.
Однако в последнее время различные онлайн-платформы, которые утверждают, что помогают пациентам в самооценке, собирая их медицинские истории и подробности, проводимые глобальные опросы, в которых люди охотно принимают участие, многочисленные приложения для отслеживания здоровья и фитнеса и т. Д., Привели к увеличению доступности. автоматизированных исторических данных пациентов. Это позволило реализовать машинное обучение и его приложения для интеллектуальных и улучшенных систем прогнозирования. С помощью доступных данных алгоритмы машинного обучения, такие как искусственные нейронные сети, вспомогательные векторные машины, байесовские нейронные сети, деревья решений и другие, могут быть использованы для решения данной постановки задачи.
Прекрасным примером является тематическое исследование Лаборатории вычислительных данных Университета Карнеги-Меллона под названием Использование машинного обучения для эпидемиологического прогнозирования.
Здесь исследователи использовали машинное обучение для успешного прогнозирования таких заболеваний, как грипп и лихорадка денге.
Учитывая, как пандемия COVID-19 отрицательно сказалась на всех сферах жизни во всем мире. Необходимость наличия системы не может быть более подчеркнута; система, которая может прогнозировать подобные ситуации заранее и в случае вспышек, помогает идентифицировать и, таким образом, предупреждать население, которое наиболее подвержено заражению. Эта идентификация может быть проведена на основе имеющихся данных, с помощью которых обученные модели могут обнаруживать закономерности распространения болезни и могут дать значимое представление о людях / сообществах, наиболее затронутых этим заболеванием. Это помогает классифицировать пациентов и оказывать им необходимую помощь в зависимости от тяжести их состояния. Будут разработаны стратегии сдерживания распространения болезни и рекомендации для пациентов из группы риска.
Это прекрасное время, чтобы осознать огромный потенциал машинного обучения в области эпидемиологии и реализовать его во время кризиса.
Способность этих моделей становиться все более и более точными с увеличением объема данных усиливает представление о их важности. Гибкость таких систем, помогающая находить соответствующие решения, является очень мощным инструментом, который может изменить правила игры в борьбе с эпидемиями и их последствиями.
Айшвария Четтиар - инженер-биотехнолог, который особенно интересуется агробиотехнологиями, устойчивым развитием и экологическим менеджментом, из Мумбаи, Индия.
