美国医疗保健行业的医疗分析类别介绍
医疗保健中有数百个未解决的问题正在通过机器学习和其他分析方法来解决。如果您曾经在Google中输入过“医疗保健中的机器学习”一词，那么您可能已经发现，医疗保健中的机器学习用例浩如烟海。在学术界，出版物关注的问题从预测老年人的痴呆症到预测六个月内发生心脏病发作，再到预测哪种抗抑郁药患者将最有效地应对问题。我们应该如何选择要关注的问题来解决呢？本章我来简单的对这些问题做介绍和分类。在医疗保健中，要解决的问题可以分为四类：
人群
在医疗保健领域，患者群体是第一个要确定的因素。在同一个患病人群，它们的数据和疾病特征是同质的，而在不同的患病人群是不同的。患者人群的例子包括住院患者，门诊患者，急诊室患者，儿童，成人。在地理上，我们也可以在州，市或地方级别上定义人口。如果我们尝试在不同人群之间进行建模会怎样？来自不同人群的数据几乎不会重叠。首先，可能难以在各个人群中收集相同的要素。某些人群可能根本无法收集某些数据。例如，如果您尝试合并住院患者和门诊患者，则不会获得门诊患者每小时的血压读数或摄入量/输出量的测量值。此外，另一个造成问题的问题是，不同人群的数据很可能来自不同的来源，并且两个不同的数据源共享许多共同特征的机会很小。如何基于功能不相同的患者建立模型？例如，即使有一个共享的实验室测试，实验室数量的测量方式及其表示单位的变化也使得几乎不可能生成均匀一致的数据集。
医疗任务
在医疗保健实践中，可以将患者的评估和治疗分为不同的认知子任务。这些任务中的每一个都可以通过使用分析来辅助。筛查（Screen），诊断（Diagnosis），预后评估(Prognosis)，结果评估(Outcome)和对治疗的反应(Response to treatment)是这些基本任务中的一部分，我们将依次研究每一项。
筛查
筛查可以定义为在体征和症状发作之前对患者的疾病鉴定。这很重要，因为在许多疾病（尤其是慢性疾病）中，早期发现与早期治疗，更好的结局以及降低医疗保健提供者的费用相吻合。筛查某些疾病比筛查其他疾病具有更大的潜在益处。为了使疾病筛查有价值，必须满足此处列出的几个条件： 在提前确定疾病然后预防时，结果必须是可变的； 筛查技术应具有成本效益；测试应具有较高的准确性；这种疾病应给人口带来沉重负担。 流行的筛查问题和解决方案的一个例子是使用子宫颈抹片检查筛查宫颈癌。建议女性一生中每1-3年接受一次具有成本效益的测试。越来越多的机器学习模型正在代替医学测试而开发，以筛查包括癌症，心脏病和中风在内的疾病。
诊断
诊断可以定义为对个体疾病的识别。与筛查相反，在疾病过程中的任何时候都可以进行诊断。诊断对于几乎所有疾病都很重要，因为它决定了应如何对待体征或症状（以及潜在疾病）。当疾病没有有效的治疗方法，或者疾病之间的区别不会改变治疗方法时，就会发生这种情况。机器学习在诊断问题中的常见用途是识别面对神秘症状（例如腹痛）的潜在疾病的潜在原因。
结果/预后
医疗保健主要涉及以较低的成本产生更好的结果。通常，我们试图直接确定哪些患者有不良结果的高风险，而不必着重于其体征和症状的具体原因。正在应用机器学习解决方案的流行结果包括预测哪些患者可能会再次入院，哪些患者会死亡，哪些患者将从急诊室入院。而且许多结果都受到政府和医疗组织的积极监控，在某些情况下，政府甚至提供了财政激励措施来改善特定结果。通常，不是将结果分为两类（例如，重新入院与非重新入院），我们可以根据患者疾病的特征，尝试根据特定时间段量化患者的生存机会。例如，在癌症和心力衰竭患者中，您可以尝试预测患者可能存活多少年。这称为预后，它也是医疗保健中流行的机器学习问题。
治疗反应
在医疗保健中，疾病通常具有多种治疗方法，因此预测患者将对哪种治疗方法本身就是一个问题。例如，癌症患者可以接受多种化疗方案，而抑郁症患者可以选择数十种药理学治疗方法。尽管这是一个尚处于起步阶段的机器学习问题，但它越来越受欢迎，也被称为个性化医学。
数据格式
医疗保健中的机器学习用例也有所不同，具体取决于可用数据的格式。数据格式通常指示可以使用什么方法和算法来解决问题，因此在确定用例中起着重要的作用。
结构化数据
当我们想到机器学习时，通常会认为数据具有结构化格式。结构化数据是可以组织为具有离散值的行和列的数据。电子健康记录中的许多患者数据可以以这种格式存储或转换为该格式。在医疗保健中，个体患者或遭遇经常形成行（或观察值），并且患者/遭遇者的各种特征（例如，人口统计学变量，临床特征，实验室观察结果）形成列。这种格式特别有利于使用各种算法执行机器学习分析。
非结构化数据
不幸的是，EHR中的许多数据（例如临床记录中的数据）都包含自由格式的文本；这称为非结构化数据。作为医疗保健服务的一部分生成的提供者注释提供了有关患者和医院就诊进度的大量信息。根据诊断，放射学报告，病理报告和其他诊断的复杂性，注释还将包括非结构化信息。尽管非结构化数据能够传达有关患者的更广泛，更有价值的信息，但是与结构化数据相比，对此类数据的分析还是很大的挑战与发展空间。
图像
在某些专业中，例如放射学和病理学，使用疾病的照片和图像（使用病变的照片，病理切片或X射线图像）来收集数据。一个新兴的领域是对该图像数据进行自动分析，以使用这些图像筛选，诊断和评估各种疾病的预后，包括良性和恶性癌症，心脏病和中风。
其他数据格式
电生理信号收集是医疗保健中的另一种数据形式。此类信号的收集和分析，无论是癫痫患者的脑电图（EEG）信号，还是心脏病发作患者的心电图（EKG）信号，对于疾病诊断和预后评估均具有重要意义。有机会会专门做一期分析EEG数据的case study。
疾病
在医学研究中正在积极研究成千上万种医学疾病，每一种都代表了机器学习模型的潜在目标。但是，在机器学习中，并非所有疾病都是平等的。有些比其他的看起来可以更好地改变结果以及得到个更高的回报。在医疗保健中，疾病通常被分类为急性或慢性。两种疾病都是预测模型的重要目标。
急性疾病（acute disease）的特征是突然发作，通常是自限性的，患者在接受适当治疗后通常会完全康复。而且，急性状况的危险因素通常不取决于患者的行为。急性疾病的例子包括流感，肾结石和阑尾炎。相反，慢性疾病（chronic disease）通常具有进行性发作并持续到患者的一生。它们受到患者行为（例如吸烟和肥胖）以及遗传因素的影响。慢性疾病的例子包括高血压，动脉粥样硬化，糖尿病和慢性肾脏疾病。慢性疾病特别危险，因为它们往往相互关联并引起其他严重的慢性和急性疾病。慢性病也对社会造成巨大的损失；每年花费数十亿美元用于预防和治疗常见的慢性病。
还有一种称作慢性病引起的急性病（Acute-on-chronic disease）在医疗保健预测模型中特别受欢迎。这些是由慢性疾病引起的急性，突然发作的疾病。例如，中风和心肌梗塞是急性状况，是慢性状况高血压和糖尿病的副产品。慢性病急性模型很流行，因为它使我们能够将人群筛选为具有相应慢性病的高危人群，从而提高预测模型的产量。例如，如果您试图预测充血性心力衰竭（CHF）的发作，那么高血压患者是一个重要的起点，而高血压是主要的危险因素。与随机抽样总体相比，这将导致模型的真实阳性率更高。换句话说，如果我们试图预测CHF发作，将健康的20岁男性纳入我们的模型中并不是很有用。而我们在高血压人群进行预测效果更好。
还有比较特别的疾病是癌症。 癌症的预测模型成为重要用例的原因有很多。一方面，癌症是医学疾病中仅次于心脏病的第二大死亡原因。它起病隐患，病程使癌症诊断更加令人惊讶和破坏性。没有人可以使用我们武器库中的所有工具来质疑抗击癌症的重要性，其中包括机器学习方法。第二，在癌症机器学习中，有许多非常适合机器学习解决的用例。例如，给定一个健康的患者，该患者发生特定类型癌症的可能性有多大？对于刚刚被诊断出患有癌症的患者，我们能否廉价地预测癌症是良性还是恶性的？病人可以存活多长时间？他们可能会在5年后还活着吗？ ？患者最有可能对哪种化疗/放射疗法产生反应？一旦成功治疗，癌症复发的机会是多少？诸如此类的问题得益于数学答案，而数学答案可能超出了单个医生甚至小组医生的推理能力。
总的来说，选择了人口，医疗任务，结果指标和疾病后，我们就可以以合理的特异性制定出机器学习问题。 以下是一些可以使用上述信息指定的示例用例：“我想预测在未来五年中哪些健康的老年人可能被诊断出患有阿尔茨海默氏病。”或者“我们能否预测到急诊室患哮喘的小儿患者将住院还是出院？”
如果觉得《04_美国医疗保健行业的医疗分析类别介绍》对你有帮助，请点赞、收藏，并留下你的观点哦！
