如果醫(yī)療保健提供者可以準確地預測其服務的使用方式，那么他們就可以不必不必要地分配資金而節(jié)省大量資金。深度學習人工智能模型可以很好地預測給定以前的行為的未來，并且芬蘭的研究人員已經開發(fā)出了一種可以預測老年人何時以及為何使用醫(yī)療保健服務的模型。

芬蘭人工智能中心(FCAI)，阿爾托大學，赫爾辛基大學和芬蘭衛(wèi)生與福利研究所(THL)的研究人員開發(fā)了一種所謂的風險調整模型，以預測老年人在醫(yī)療保健機構中尋求**的頻率中心或醫(yī)院。結果表明，新模型比通常用于此任務的傳統(tǒng)回歸模型更準確，并且可以可靠地預測多年來的情況變化。

風險調整模型利用了前幾年的數(shù)據(jù)，并以公平有效的方式分配了醫(yī)療保健資金。這些模型已經在德國，荷蘭和美國等國家/地區(qū)使用。但是，這是**個概念證明，即深度神經網(wǎng)絡具有顯著提高此類模型準確性的潛力。

阿爾托大學和FCAI的助理教授佩卡·馬丁汀(Pekka Marttinen)表示：“如果沒有風險調整模型，則病人得病率比普通人高的醫(yī)療保健提供者將受到不公平的對待。”老年人是這類患者群體的一個很好的例子。該模型的目標是在制定資助決策時考慮患者群體之間的這些差異。

研究文章的主要作者，阿爾托大學和FCAI的博士候選人Yogesh Kumar認為，結果表明深度學習可能有助于設計更準確，更可靠的風險調整模型。庫馬爾指出，擁有一個準確的模型有可能節(jié)省數(shù)百萬美元。

研究人員通過使用THL初級衛(wèi)生保健就診記錄中的數(shù)據(jù)對模型進行了訓練。數(shù)據(jù)包含每位65歲以上芬蘭公民的門診信息。數(shù)據(jù)已被假名化，這意味著無法識別個人。這是研究人員**次使用該數(shù)據(jù)庫來訓練深度機器學習模型。

結果表明，訓練深度模型不一定需要龐大的數(shù)據(jù)集才能產生可靠的結果。相反，即使僅使用所有可用數(shù)據(jù)的十分之一，新模型也比簡單的基于計數(shù)的模型更好。換句話說，即使獲取相對較小的數(shù)據(jù)集也能提供準確的預測，這是一個了不起的發(fā)現(xiàn)，因為獲取大量醫(yī)療數(shù)據(jù)始終很困難。

``我們的目標不是將這項研究中開發(fā)的模型本身付諸實踐，而是將深度學習模型的功能與現(xiàn)有模型相集成，從而結合兩者的*佳方面。未來的目標是利用這些模型來支持決策并以更合理的方式分配資金。” Marttinen解釋說。

這項研究的意義不**于預測老年人去醫(yī)療中心或醫(yī)院的頻率。相反，據(jù)庫馬爾說，研究人員的工作可以很容易地以多種方式擴展，例如，僅關注診斷為需要昂貴**的**的患者群體或在國內特定地區(qū)的醫(yī)療中心。

鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播更多信息之目的，如作者信息標記有誤，請聯(lián)系我們修改或刪除，多謝。