机器学习,临床科研的新技术,竟然有这么广泛的应用!研究课题和论文都处于爆发期
让科研和SCI论文成为临床工作的副产品。
机器学习是人工智能 (AI) 的一个子领域,涉及训练算法以学习模式并根据数据进行预测。机器学习算法不是被明确编程来执行特定任务,而是在数据集上进行训练,并使用统计技术来识别数据中的模式和关系。
机器学习的过程通常包括以下步骤:
数据收集和准备:收集和组织将用于训练算法的数据。
特征工程:选择和转换最相关的数据特征,以帮助算法识别模式并做出准确的预测。
模型选择:为手头的问题选择合适的机器学习模型。
训练模型:为算法提供训练数据并迭代改进模型参数以提高其准确性。
评估:在单独的数据集上测试模型的性能以衡量其准确性并评估它是否可以很好地泛化到新数据。
部署:将经过训练的模型集成到更大的应用程序或系统中以供实际使用。
机器学习具有广泛的应用,包括图像和语音识别、自然语言处理、欺诈检测、推荐系统和预测性维护等。
2,机器学习在临床研究中有哪些应用?
机器学习在临床研究中有多种潜在应用,包括:
预测建模:机器学习算法可以分析大量患者数据,以确定患者特征、治疗和结果之间的模式和关系。这可以帮助研究人员开发预测模型,以识别患特定疾病的高风险患者或可能从特定治疗中受益的患者。
自然语言处理:机器学习算法可用于分析大量医学文献,包括期刊文章、临床试验和其他来源,以确定关键趋势和见解。这可以帮助研究人员了解他们所在领域的最新发展,并确定新的研究领域。
自动数据分析:机器学习算法可用于自动分析患者数据,包括医学图像和 EHR。这可以帮助研究人员比手动分析更快、更准确地识别数据中的模式和关系。
临床试验优化:机器学习算法可用于优化临床试验的设计和执行,包括患者招募和保留、终点选择和统计分析。这可以帮助研究人员进行更高效和有效的试验,从而更快地开发新的治疗方法。
精准医学:机器学习算法可用于根据患者的独特特征和病史为个体患者制定个性化治疗计划。这有助于改善患者的治疗效果并降低不良事件的风险。
药物发现:机器学习算法可用于分析大量分子数据,以识别潜在的药物靶点,帮助更快、更高效地设计新药。
总体而言,机器学习有可能帮助临床研究人员更高效、更准确地分析患者数据,识别新趋势和新见解,优化临床试验,并为个体患者制定个性化治疗计划。这有助于加速新疗法和疗法的开发,从而改善患者的治疗效果并改善整体健康状况。
由此,美国NIH资助的机器学习基金项目也迅猛增加。
3,机器在过去一年的临床应用如何?
我们用文献鸟做了初步的分析。
在2017年,机器学习领域发表了第1篇论文;此后论文数量呈爆发式增长;2018年11篇,2019年353篇,2020年4509篇,2021年6986篇,2022年8952篇,2023年到现在已达到了2072篇。
针对2022年到现在的研究论文分析显示,这些论文发表最多的期刊是Sci Rep,其次是Sensors (Basel),然后是PLoS One,Comput Intell Neurosci,及Diagnostics (Basel)。
(可视化作图:文献鸟)
发机器学习论文最多的医院依次为:梅奥诊所、华西医院、病童医院、麻省总医院及湘雅医院。
机器学习研究涉及的疾病主要包括糖尿病、乳腺癌、中风、肺癌、心衰等。
尽管机器学习有广泛的应用场景,但目前应用最广泛的仍然是预测模型研究。
举例:
1,美国西奈山伊坎医学院查尔斯布朗夫曼个体化医学研究所的研究者,应用机器学习探索了冠心病的标记物,发表在Lancet杂志。
Forrest IS, Petrazzini BO, Duffy Á, Park JK, Marquez-Luna C, Jordan DM, Rocheleau G, Cho JH, Rosenson RS, Narula J, Nadkarni GN, Do R. Machine learning-based marker for coronary artery disease: derivation and validation in two longitudinal cohorts. Lancet. 2023 Jan 21;401(10372):215-225. doi: 10.1016/S0140-6736(22)02079-7. Epub 2022 Dec 20. PMID: 36563696.
如果你有脑卒中、阿尔茨海默病、癌症等重大慢病的数据库,或者利用开放的数据库,你也可以做类似研究。
2,来自于美国西北大学(芝加哥)的研究者则利用重症监护医学信息集市 (MIMIC)-III 数据库,针对脓毒症患者做了死亡率预测的机器学习方法比较,
研究发表于BMC Med Inform Decis Mak。
该团队也是在机器学习领域发文最多、影响力极高的团队。建议对该团队的工作做系统学习,你会找到非常多的研究思路。
Wang H, Li Y, Naidech A, Luo Y. Comparison between machine learning methods for mortality prediction for sepsis patients with different social determinants. BMC Med Inform Decis Mak. 2022 Jun 16;22(Suppl 2):156. doi: 10.1186/s12911-022-01871-0. PMID: 35710407; PMCID: PMC9204861.
最后插播一个广告:
美国恒祥咨询公司招募兼职的机器学习分析科研人员(美国和中国内地各招募一名,要求技术熟练,发表过至少1篇SCI论文),会参加王博士主责的项目分析。
有意向的同仁,请与科研助手Henry联系。
点击👆,让SCI和基金成为临床工作的副产品!
微信扫码关注该文公众号作者