机器学习与医疗保健的合作
2017-05-19 编辑：
从 1816 年发明的听诊器到今天的便携式超声波仪，医疗工作者们持续利用科技提升医疗保健的技术水平。在过去的十年中，医疗界在使用电子医疗系统方向迈出了重要的一步，使临床医生和患者可以更加方便的提取和利用信息。现今，为了更好地利用这些信息，医疗保健服务提供者开始向机器学习寻求帮助。
在过去的一年中，Google 的研发人员已经展示了机器学习是如何帮助医生探测乳腺癌向淋巴结的转移以及糖尿病性视网膜病变的。Google 与 Alphabet’s Verily arm 和其它生物医学伙伴合作，将这项研究成功应用到实际的医疗设备中，例如一种可以预防糖尿病患者失明的设备。
现在 Google 已经准备好更进一步：机器学习已经发展到足以准确预测医疗事项，比如患者是否需要住院，以及住院的时长；又如在治疗尿路感染，肺炎或是心脏衰竭时，患者的病情是否恶化。高级机器学习可以检测“去识别”（de-identified）的医疗记录 （即剥离任何个人身份信息），以预测未来可能的情况，可以在症候出现前预知患者的需求。Google 已经与加州大学旧金山分校、斯坦福大学医学院以及芝加哥大学医学院的世界顶级医疗研究专家和生物信息专家合作，以探索机器学习如何辅助医疗专家、改善患者情况、减少医疗费用，甚而挽救更多生命。
对这项技术的需求已经是迫在眉睫：美国每年因医疗事故感染致死的患者多达 99000 人，因不当药物治疗导致的伤残和死亡患者超过 77 万人，因病情复发导致再次住院的医疗花费高达 170 亿美元。在世界范围内该问题同样紧迫：每年有 4300 万人因医疗失误受到影响，多数集中在中低收入国家。尽管已有非常显著的进步，但仍有相当数量的医疗专家向 Google 求助，以期能够更好的利用医疗健康信息达成卓越的治疗效果。
医疗健康的数据非常复杂，Google 在过去一年中验证了医疗健康数据的可靠性并发展了这项技术。这些成果将在未来数月通过临床验证以确保其严谨有效。
Google 同时也在协调机构间呈现数据的不同方式。不同医疗中心的独特数据记录方法使得从不同诊所的检查结果中总结互通非常困难；缺乏数据标准性和互通性也使得这些差异的解决非常耗费时间和人力。但现在建立在开放数据标准系统 FHIR 的基础上，Google 的深度学习技术已经可以将这个过程自动化，从而使医疗工作者和研究专家更加轻松便捷的使用数据。
作为这项研究的一部分，Google的医疗合作伙伴已经确保患者的数据在分享前已被“去识别” （de-identified）。下一步 Google 将利用 Google Cloud 的基础设施安全的存储这些数据，并在 HIPPA 法案的规章下严格执行最高等级的保护措施。所有记录将与消费者数据分开储存，并只被应用于与合作伙伴的研究项目。
Google 认为机器学习的临床突破只有在医学界和深度学习专家密切合作后才会出现。Goolge 的大部分员工并不是医生或医疗专家，但所有人都曾有遭受疾病或伤痛的经历，甚至痛失过所爱之人。 Google 拥有独一无二的技术，可以在医疗领域做出更大的贡献--这也是Google 必须竭尽全力的原因。Google 热切期盼与医疗保健专家和机构合作，携手改善全球数百万人的健康状况。
相关阅读：
相关推荐：
