研究人员使用机器学习技术建立模型,以增强COVID-19结果的预测
西奈山研究人员使用称为“联邦学习”的机器学习技术发表了最早的研究,以检查电子健康记录,以更好地预测Covid-19患者将如何进展。该研究发表在医学互联网研究杂志 - 媒体信息学1月18日。
研究人员说,新兴技术有望创建更强大的机器学习模型,这些模型超出了单个卫生系统,而不会损害患者的隐私。反过来,这些模型可以帮助分类患者并提高护理的质量。
联合学习是一种技术,可以训练跨多个设备或持有本地数据样本的服务器训练算法,但避免了临床数据聚合,由于包括患者隐私问题在内的原因,这是不可取的。西奈山研究人员使用来自电子健康记录在卫生系统中的五家单独的医院,以预测199名患者的死亡率。他们比较了联邦的表现模型反对单独使用每家医院数据的数据,称为本地模型。在在联合网络上训练他们的模型并测试了每个医院的本地模型数据之后,研究人员发现联合模型表现出增强的预测能力,并且在大多数医院都胜过本地模型。
“机器学习模型卫生保健这项研究的遗传学和基因组科学助理教授本杰明·格里克斯伯格(Benjamin Glicksberg)博士说:“通常需要在接受培训的患者人群之外进行多样化和大规模数据。”在西奈山(Mount Sinai),也是西奈山(Mount Sinai)和西奈山临床情报中心(Mount Sinai)临床情报中心的Hasso Plattner数字健康研究所成员。数据。在我们的工作中,我们证明了这种策略在Covid-19等情况下可能特别有用。”
建立在医院内的机器学习模型并不总是对其他患者人群有效,部分原因是模型接受了一组不代表整个人群的患者的数据培训。
这项研究的第一作者说:“医疗保健机器学习继续遭受可重复性危机。”西奈山和西奈山临床情报中心的普拉特纳数字健康研究所。“我们希望这项工作能够展示使用联合学习与电子健康记录的利益和局限性的疾病,该疾病的数据相对缺乏个人医院。使用这种联合方法构建的模型优于那些与隔离医院的样本大小分别构建的模型。看到此类较大计划的结果将令人兴奋。”