的创造性破坏后的药,病人会看到你现在,Eric Topol博士发表了他最新的书,深医学今年早些时候,。而第一两本书突出技术破坏将如何数字化然后民主化医学,他最新的深度学习,以及人工智能(AI)有可能最终深化澄清的债券。这是一个崇高的主张,但读完的书,他希望和乐观的医学关于人工智能与深思熟虑的和善意的决定似乎是可信的。在深入研究深药之前,然而,除了快速预测医学。
机器学习,在更广泛的一个子集AI类别,执行任务依靠模式和推理——旧的基于规则的算法发散。使用这种类型的基于模式识别,机器学习可以帮助来计算一个人的疾病风险基于以前的患者的危险因素,允许早期干预。它可以帮助我们治疗的风险,而不是疾病。
虽然这些类型的分析是有用的在某些情况下,在其他方面,他们不考虑医源性,即。的伤害病人,因为医学干预本身。要做到这一点,关键是评估治疗(例数十分)所需数量和所需数量的伤害(NNH)。换句话说,有多少人必须考虑到干预的好处,又有多少人会受到伤害,副作用,每个人的治疗?当考虑到这些因素,干预曾经似乎是一个好主意,可能不再出现提供净效益。
引用尼古拉斯·纳西姆•塔勒布,我们想使系统antifragile,通过最小化黑天鹅事件。在医学上,黑天鹅,或灾难性的事件,是患病的状态。因此,我们干预当有好处和小缺点,如疾病。然而,当没有疾病,我们无论如何干预使用风险预测,我们可能会产生概率不大,更深刻的缺点。缺点是我们引入到系统的脆弱性通过医疗副作用(可能化合物进一步治疗的副作用)治疗时健康的病人。这是一个奇特的说法我们干预当例数十分低,NNH高,即。、高上行,小缺点。
回到深医学博士Topol开始这本书有一个解释系统1和系统2思维,改编自经济学家丹尼尔•卡尼曼(Daniel Kahneman)。系统1的思考很大程度上是自反的,无意识的,而系统2思考是反射和认知。在进行诊断时,医生在系统1的思维训练,这是惊人的准确,也受到偏见。
给一个例子,这种类型的思考在医学上,我们可以检查当前的医疗培训。当经历的情况下,一个主治医师通常会从一个关键字,如“疼痛辐射。“有了这个线索,学生本能地回答主动脉夹层或胰腺炎。根据下一个线索,例如,不受控制的高血压,学生可以磨练主动脉夹层的诊断。重点是培养学生形成直观的,很大程度上无意识的病人症状之间的联系,风险因素,疾病,和治疗-系统1的思考。但如果这种疾病永远不会走进医生的开始吗?有成千上万的多种疾病,随着研究的继续,我们能够更深层次这些疾病亚型。在广泛的范围内,癫痫是由于大脑神经元活动同步。在基因组层面,然而,它可以将在数百个基因突变,这可能产生影响的长期管理。
系统1思维至关重要,但明确给我们大数据时代的局限性。Topol博士认为,这是在这个领域,机器的帮助可以帮助诊断和限制iatrogrenics。再次借从尼古拉斯•纳西姆•塔勒布技术最好的杠杆在用于黑天鹅事件(严重疾病状态)或通过negativa方式,即。,除了通过减法。深医学是成熟与AI以这种方式使用的例子。
托波尔博士早在他的书中,展示了一位英国新生儿礼物的情况下紧急部门与棘手的癫痫发作。虽然医生们最初被诊断迷惑住了,基因测序揭示ALDH7A1基因的一种变体,最可能的罪魁祸首,产生一个极其罕见的代谢缺陷。改变饮食结构,包括添加一些氨基酸和其他限制,允许孩子一个健康的生活没有发展延迟。这个案例展示了最好的人工智能,帮助在深刻的病人和干预的情况下改变生活的一种方式。这是在黑天鹅事件,为小缺点提供了巨大的好处。它有一个低的例数十分。
在这本书的后面,Topol博士展示了如何考虑使用廉价的基因遗传数据数组可以帮助预测谁将受益于他汀类药物。而不是目前的以人群为基础的方法,规定了对许多人来说,只有少数受益,这种新方法利用基因组信息来获得更精确的诊断。这是通过negativa方法的一个例子。通过使用人工智能更精确的药物管理,我们可以节省患者的不良反应可能不好处,并帮助病人。通过这种方式,它将增加NNH常见的医疗干预。
深厚的医学是一个大胆的书,我只能想象Topol博士必须做的工作跟上不断变化的技术在医疗保健的作用。虽然我最初持怀疑态度的数字革命将医学博士Topol证明人工智能用于黑天鹅事件,通过negativa方法有潜力改善当前的系统。如果做的谨慎和小心,也许AI可以在医学重建信任,医患关系和创造移情作用的。
约翰保罗Mikhaiel是一个医科学生。
图片来源:Shutterstock.com