Învățarea mecanică ar putea ajuta la reducerea spitalizărilor cu aproape 30% în timpul unei pandemii
Un nou studiu publicat în JAMA Health Forum a constatat că învățarea automată poate ajuta la reducerea spitalizărilor cu aproape 30% în timpul unei pandemii sau în orice moment în care există o penurie de produse terapeutice.
Studiul a constatat o reducere semnificativă a spitalizărilor preconizate atunci când s-a utilizat învățarea automată pentru a distribui medicamente în timpul pandemiei COVID-19 pentru a testa modelul. Modelul s-a dovedit a reduce spitalizările relativ cu aproximativ 27% în comparație cu îngrijirea reală și observată.
În timpul pandemiei, multe unități de asistență medicală s-au bazat pe principiul „primul venit, primul servit” sau pe istoricul de sănătate al pacientului pentru a stabili cine primește tratamentul. Cu toate acestea, aceste metode adesea nu abordează interacțiunile complexe care pot apărea la pacienți atunci când iau medicamente pentru a determina eficacitatea clinică așteptată și pot trece cu vederea pacienții care ar beneficia cel mai mult de tratament.
Ce este, de fapt, machine learning?
Machine learning (ML) este un subset al inteligenței artificiale (AI) care se axează pe construcția sistemelor care pot învăța – sau își pot îmbunătăți performanțele – în funcție de datele pe care le procesează. Inteligența artificială este un termen vast care se referă la sisteme sau mașini care imită inteligența umană.
Termenii machine learning și AI sunt adesea puși în discuție împreună și utilizați uneori în mod interschimbabil, dar nu înseamnă același lucru. O diferență importantă este aceea că, deși toate sistemele machine learning sunt AI, nu toate AI sunt machine learning, potrivi Oracle.
Cât de benefică este utilizarea învățării automate?
Cercetătorii au arătat că utilizarea învățării automate, care analizează modul în care pacienții individuali beneficiază în mod diferit de tratament, poate oferi medicilor, sistemelor de sănătate și oficialilor din domeniul sănătății publice informații mai exacte în timp real decât modelele tradiționale de scor de alocare, scrie site-ul MedicalXpress.
Cercetătorii au analizat eficacitatea adăugării unei noi metode bazate pe arbori de învățare a politicilor (PLT) pentru optimizarea alocării anticorpilor monoclonali (mAbs) neutralizanți COVID-19 în timpul perioadelor de constrângere a resurselor. Abordarea PLT a fost concepută pentru a decide ce tratamente să fie alocate persoanelor într-un mod care să maximizeze beneficiile generale pentru populație, asigurându-se că cei care prezintă cel mai mare risc de spitalizare sunt siguri că primesc tratamente, în special atunci când tratamentul este rar.
Cercetătorii au comparat abordarea de învățare automată cu deciziile din lumea reală și cu un sistem standard de alocare a punctelor utilizat în timpul pandemiei. Ei au constatat că modelul bazat pe PLT-uri a demonstrat o reducere semnificativă a spitalizărilor preconizate în comparație cu alocarea observată și a depășit performanța scorului de screening al anticorpilor monoclonali, care observă anticorpii pentru diagnostic.
