用于老年人护理的神经网络可以节省数百万美元

如果医疗保健提供者可以准确地预测其服务的使用方式，那么他们就可以不必不必要地分配资金而节省大量资金。深度学习人工智能模型可以很好地预测给定以前的行为的未来，并且芬兰的研究人员已经开发出了一种可以预测老年人何时以及为何使用医疗保健服务的模型。

芬兰人工智能中心(FCAI)，阿尔托大学，赫尔辛基大学和芬兰卫生与福利研究所(THL)的研究人员开发了一种所谓的风险调整模型，以预测老年人在医疗保健机构中寻求治疗的频率中心或医院。结果表明，新模型比通常用于此任务的传统回归模型更准确，并且可以可靠地预测多年来的情况变化。

风险调整模型利用了前几年的数据，并以公平有效的方式分配了医疗保健资金。这些模型已经在德国，荷兰和美国等国家/地区使用。但是，这是第一个概念证明，即深度神经网络具有显着提高此类模型准确性的潜力。

阿尔托大学和FCAI的助理教授佩卡 马丁汀(Pekka Marttinen)表示： 如果没有风险调整模型，则病人得病率比普通人高的医疗保健提供者将受到不公平的对待。

老年人是这类患者群体的一个很好的例子。该模型的目标是在制定资助决策时考虑患者群体之间的这些差异。

研究文章的主要作者，阿尔托大学和FCAI的博士候选人Yogesh Kumar认为，结果表明深度学习可能有助于设计更准确，更可靠的风险调整模型。库马尔指出，拥有一个准确的模型有可能节省数百万美元。

研究人员通过使用THL初级卫生保健就诊记录中的数据对模型进行了训练。数据包含每位65岁以上芬兰公民的门诊信息。数据已被假名化，这意味着无法识别个人。这是研究人员第一次使用该数据库来训练深度机器学习模型。

结果表明，训练深度模型不一定需要庞大的数据集才能产生可​​靠的结果。相反，即使仅使用所有可用数据的十分之一，新模型也比简单的基于计数的模型更好。换句话说，即使获取相对较小的数据集也能提供准确的预测，这是一个了不起的发现，因为获取大量医疗数据始终很困难。

``我们的目标不是将这项研究中开发的模型本身付诸实践，而是将深度学习模型的功能与现有模型相集成，从而结合两者的最佳方面。未来的目标是利用这些模型来支持决策并以更合理的方式分配资金。

Marttinen解释说。

这项研究的意义不仅限于预测老年人去医疗中心或医院的频率。相反，据库马尔说，研究人员的工作可以很容易地以多种方式扩展，例如，仅关注诊断为需要昂贵治疗的疾病的患者群体或在全国特定地区的医疗中心。

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。