Vorhersagemodelle gewinnen im gesamten Gesundheitswesen an Bedeutung, da immer mehr Krankenhäuser und Spezialisten sie zur Diagnose und Behandlung von Krebs und anderen Krankheiten einsetzen. Aber diese maschinellen Lernwerkzeuge sind immer noch nicht so genau oder leistungsfähig, wie sie sein könnten – und das läuft oft darauf hinaus, dass nicht genügend hochwertige klinische Daten vorhanden sind, auf denen trainiert werden kann.
Eine Möglichkeit, der Tatsache entgegenzuwirken, dass viele Stichprobengrößen einfach zu klein sind, besteht darin, Daten aus anderen Quellen zusammenzufassen, sagt Steve Irvine, Gründer und CEO von Integrate.ai. Dies kann unter Wahrung der Privatsphäre der Patienten mit föderierten Lerntechniken erreicht werden, die Forschern riesige neue Datenschätze erschließen können. In dieser Folge von HIMSCast erklärt er mehr.
Gefällt dir, was du hörst? Abonnieren Sie den Podcast auf Apple-Podcasts, Spotify oder Google Play!
Gesprächsthemen:
-
Wie sich maschinelle Lernmodelle für die Onkologie in den letzten Jahren entwickelt haben
-
Die Schlüssel zum Aufbau eines guten Vorhersagealgorithmus
-
Warum es so schwierig ist, genügend Qualitätsdaten zum Trainieren von Modellen zu finden
-
Was föderiertes Lernen ist und wie es helfen kann
-
Möglichkeiten und Herausforderungen eines föderierten Lernansatzes
-
Wie Irvine die Entwicklung prädiktiver Onkologiemodelle in den kommenden Jahren sieht
Mehr zu dieser Folge:
Top 10 der KI- und maschinellen Lerngeschichten des Jahres 2022
HIMSSCast: Prognose 2023 – 5G, KI-Kommandozentralen, hybride Arbeitsmodelle und mehr
Entmystifizierung der Rolle von KI im Gesundheitswesen, um neue Anbieter – und alte Profis – zu beruhigen
KI geht schnell auf Datenanforderungen ein und fördert die Interoperabilität, sagt ein Experte
Die Onkologiepraxis nutzt KI, um die Versorgung am Lebensende erheblich zu verbessern
Wie ein Gesundheitssystem KI entwickelte, um die Patientensicherheit zu verbessern
Orlando Health führt KI-gesteuerte Krankenhaus-zu-Hause-Dienste ein
