Emerging applications of machine learning and AI for predictive modeling in precision medicine

За даними npj Digital Medicine, редакційна стаття Zorraquin, J., Kvedar, J.C., Bange, M. et al.[1]"узагальнює 31 статтю, які показують, що медицина прецизійна вимагає інтеграції..."[1]Автори пишуть, що "аналіз відеоматеріалів на основі лабораторії є точним, але дорогим, обмежуючи доступ до спеціалізованої допомоги."[1] Вони додають, що нові парадигми зосереджуються на малому, мобільному обладнанні, придатному для будь-якого середовища, включаючи умови з обмеженими ресурсами.[1]Редакційна стаття повідомляє, що графічні згорткові мережі на основі смартфонів тепер оцінюють асиметрію ходи паркінсонізму вдома[1]. Вона також говорить, що моделі з відкритим вихідним кодом перетворюють сирі відеоматеріали в інтерпретовані метрики розладу аутистичного спектра[1].Автори також цитують глибоке навчання для виявлення ураження ультразвуку в реальному часі, неінвазивної оцінки кількості крові з очних відеоматеріалів та прогнозування серцево-судинного ризику з еходопплерографії[1].У кардіології редакційна стаття говорить, що глибоке навчання виявляє субклінічну сердечну недостатність з ЕКГ[1]. Вона додає, що моделі на основі трансформера ще більше покращують прогнози результатів з рутинних записів із зменшеною упередженістю.[1]Сторінка Nature для пов'язаної збірки статей говорить, що ці технології "знаменують перехід до персоналізованої, прогнозувальної та діяльної охорони здоров'я."[2]Та ж сторінка збірки попереджує, що "етичні міркування, приватність даних та справедливий доступ залишаються ключовими проблемами."[2]