在儿科和先天性心脏病中使用机器学习进行个性化医学的新兴分析方法
Bhargava K Chinni1, Cedric Manlhiot2
1The Blalock-Taussig-Thomas Pediatric and Congenital Heart Center, Department of Pediatrics, Johns Hopkins School of Medicine, Johns Hopkins University, Baltimore, Maryland, USA.
The Canadian journal of cardiology
|August 3, 2024
概括
精准医学使用患者生物学,而个性化医学使用来自机器学习的数字生物标志物. 尽管面临挑战,数字生物标志物可能会显著改善患者护理结果.
科学领域:
- 心脏病学 心脏病学
- 生物医学信息学 生物医学信息学
- 人工智能的人工智能
背景情况:
- 精准和个性化医学根据个体情况量身定制患者管理.
- 个性化医疗越来越依赖于由机器学习算法生成的数字生物标志物.
- 这些生物标志物对于理解新兴医学领域复杂的患者数据至关重要.
研究的目的:
- 审查创建和部署数字生物标志物的分析考虑.
- 解决小,异质人群的挑战,如儿科先天性心脏病.
- 探索数字生物标志物在临床护理中的潜在好处.
主要方法:
- 讨论数据预处理,时间依赖,缩小维度和机器学习方法 (监督和无监督).
- 对罕见结果的样本大小和模型性能挑战的检查.
- 审查临床部署考虑因素,包括AI操作,可解释性和联合学习.
主要成果:
- 在开发数字生物标志物方面存在分析挑战,特别是在罕见的儿科疾病中.
- 数字生物标志物的部署涉及计算需求,可解释性和算法漂移等考虑因素.
- 尽管复杂,数字生物标志物显示出潜在的实质性益处在患者的结果.
结论:
- 数字生物标志物在个性化医学中的开发和部署带来了重大的分析挑战.
- 解决这些挑战对于实现人工智能和机器学习在医疗保健中的潜力至关重要.
- 数字生物标志物有望在临床环境中改善个体患者的治疗结果.
