Entstehende Anwendungen von maschinellem Lernen und KI für Vorhersagemodellierung in der Präzisionsmedizin

Laut npj Digital Medicine wird in dem Leitartikel von Zorraquin, J., Kvedar, J.C., Bange, M. et al.[1]"31 Arbeiten zusammengefasst, die zeigen, dass Präzisionsmedizin eine Integration erfordert..."[1]Die Autoren schreiben, dass "laborgestützte Videoanalyse präzise, aber teuer ist und den Zugang zu spezialisierter Versorgung einschränkt."[1] Sie fügen hinzu, dass neue Paradigmen sich auf kleine, mobile Hardware konzentrieren, die für jede Umgebung geeignet ist, einschließlich Umgebungen mit geringen Ressourcen.[1]Der Leitartikel berichtet, dass smartphone-basierte Graphen-Faltungs-Netzwerke nun Parkinson-Gang-Asymmetrie zu Hause bewerten[1]. Er sagt auch, dass Open-Source-Modelle rohe Videos in interpretierbare Metriken der Autismus-Spektrum-Störung umwandeln[1]. Die Autoren zitieren auch tiefes Lernen für Echtzeit-Ultraschall-Läsionserkennung, nichtinvasive Blutbildschätzung aus Augenvideos und Vorhersage des kardiovaskulären Risikos aus Echokardiographie[1]. In der Kardiologie sagt der Leitartikel, dass tiefes Lernen subklinisches Herzversagen aus EKGs erkennt[1]. Er fügt hinzu, dass Transformer-basierte Modelle die Vorhersagen von Ergebnissen aus Routineunterlagen mit reduzierter Verzerrung weiter verbessern.[1]Natures Seite für die zugehörige Artikelsammlung sagt, dass diese Technologien "eine Verschiebung hin zu personalisierter, vorhersagender und partizipativer Gesundheitsversorgung markieren."[2]Die gleiche Sammlungsseite warnt, dass "ethische Überlegungen, Datenschutz und gerechter Zugang weiterhin Schlüsselherausforderungen darstellen."[2]