目前 AI 系統(tǒng)在診斷疾病、分析醫(yī)學圖像和預測健康結果方面表現出巨大的前景，甚至在諸如手術縫合和診斷嬰兒自閉癥等方面比醫(yī)生表現更好。但現在，在 AI 醫(yī)學應用又有了新進展，英國諾丁漢大學的研究人員創(chuàng)建了一個掃描患者常規(guī)醫(yī)療數據的系統(tǒng)，以預測其在未來 10 年心臟病或中風風險。

　　目前預測這類心血管疾病實際上是一個非常困難的任務。研究人員在最近發(fā)表的論文中表示，大約有一半的心臟病和中風發(fā)生在那些沒有被標記為“有風險”的人群中。而目前評估患者患病風險的標準方法主要依賴于心臟協(xié)會學會制定的指南?，F有標準的著眼點在于用高血壓，膽固醇，年齡，吸煙和糖尿病等風險因素判定其發(fā)病幾率。

　　研究員 Stephen Weng 和他的同事基于英國的 378，256 名患者的病歷檔案測試了幾種不同的機器學習工具。這些病歷檔案記錄了 2005 年至 2015 年的患者及其健康狀況，包含醫(yī)療條件，處方藥，醫(yī)院就診，檢查結果等信息。 研究人員把 75%的病歷送到他們的機器學習模型中，以找出 10 年內經歷心臟病發(fā)作或中風的患者的特征。然后對其他 25%的記錄進行了模型測試，來檢測他們預測心臟病發(fā)作和中風的準確程度如何。

　　如果用 1.0 分表示 100%準確度，傳統(tǒng)預測標準得分為 0.728。而機器學習模型的結果是從 0.745 到 0.764，最佳分數來自神經網絡機器學習模型：神經網絡模型在 7404 例實際病例成功預測了 4，998 例，比傳統(tǒng)方法多了 355 例。利用該技術進行預測可以幫助醫(yī)生采取相應的預防措施，如為有發(fā)病風險的患者開具處方藥來降低膽固醇。

　　那么該 AI 工具在實際診斷中是如何幫助醫(yī)生工作的呢?Stephen Weng 表示他們的算法可以在查看、分析整個患者列表后，將有發(fā)病風險的患者標記出來，提醒醫(yī)生注意。這個過程可以既可以發(fā)生在病患坐在醫(yī)生面前進行例行檢查的時候，也可以在病人不在場時完成。Stephen Weng 指出該平臺的主要優(yōu)勢在于預測準確度：雖然類似的臨床決策支持軟件已經存在，但不同于這些軟件，他們開發(fā)的系統(tǒng)使用了 AI 模式識別，可以提供更準確結果預測。

　　諾丁漢大學研究人員 Stephen Weng 表示，目前在實驗室中測試的 AI 醫(yī)療工具將很快提高臨床醫(yī)生在診斷和預后方面的準確性?！皬难芯康脚R床護理應用的飛躍將在未來五年內發(fā)生?！?/p>

　　然而目前面臨的問題是，在 AI 進入真正的醫(yī)療場景之前仍然要得到監(jiān)管認可。Stephen Weng 說：“實施的主要障礙將是管理隱私和患者保密問題，計算機算法需要通過大量病人數據進行分析，其中包含隱私的醫(yī)療信息。除了處理這些隱私問題外，也面臨防止醫(yī)療機器做出自主決定的安全性問題。那么，“機器學習工具什么時候可以預測自己何時能獲批上市呢?”

風風險。