Компьютеры могут снизить затраты на здравоохранение

Результаты нового исследования, проведенного в Университете Индианы (США), показали, что машинное обучение – та научная дисциплина, что помогла создать системы распознавания голоса, самоуправляющиеся автомобили и средства обнаружения мошенничества с кредитными картами – может резко уменьшить затраты и повысить качество здравоохранения в Соединенных Штатах.

Используя систему искусственного интеллекта, прогнозирующую будущие результаты, медики смогли бы улучшить исход лечения пациентов. Применив модель искусственного интеллекта, сочетающую Марковский процесс принятия решений и динамические сети, исследователи Кейси Беннетт и Крис Хаузер из Школы информатики и вычислений при Университете Индианы показали, как симуляционное моделирование, предсказывающее исход лечения, может сократить затраты на здравоохранение более чем на 50% и одновременно почти на 50% улучшить результаты работы с пациентами.

Работа Хаузера и Беннетта базируется на более раннем исследовании, которое показало, каким образом машинное обучение может определять оптимальную терапию в конкретный момент времени и для конкретного пациента. За счет использования системы, предполагающей последовательное принятие решений, это исследование можно расширить и получить модели, симулирующие альтернативные пути лечения и дающие возможность получить представление об изменении состояния пациента со временем, даже если показатели недоступны или носят неопределенный характер. Наконец, таким образом можно составлять планы и проводить их пересмотр по мере появления новой информации. Другими словами, система способна «думать, как доктор».

Как сказал Кейси Беннетт, Марковский процесс принятия решений и динамические сети позволяют системе предсказывать будущее, заранее учитывая все возможные последовательности действий и эффекты от них. Более того, такой подход не рассчитан на какое-то конкретное заболевание и может применяться для постановки любого диагноза и лечения любой болезни просто за счет введения соответствующей информации.

Исследователи полагают, что в сочетании с электронными медицинскими картами, которые получают все большее распространение, а также с системой обмена информацией, крупными биомедицинскими базами данных и алгоритмами машинного обучения, такая методика может стать основой для развития системы персонализированного лечения.