Können wir eine Welt ohne Krankheiten schaffen?

Ist eine krankheitsfreie Welt möglich? Krankheit ist ein Wort, das den meisten (wenn nicht allen) Menschen unangenehm ist, wenn entweder sie selbst oder jemand, den sie kennen, eines hat. Glücklicherweise, Max Welling, Professor für maschinelles Lernen an der Universität Amsterdam und Mitglied des Canadian Institute of Advanced Research, und sein Unternehmerteam haben ein Datenanalysesystem zur Diagnose von Krankheiten für Patienten entwickelt. Fun Fact: Er leitet AMLAB (Amsterdam Machine Learning LAB) und ist Co-Direktor von QUVA Lab (Qualcomm-UvA Lab). Hier werden wir sehen, wie dieser wunderbare Mann und sein Unternehmerteam (Cynthia Dwork, Geoffrey Hinton und Judea Pearl) einige unglaubliche Durchbrüche erzielten, um die Welt von Krankheiten zu befreien.

Max Wellings Bedenken

Einige der Fakten, auf die Welling während seines TEDx-Vortrags hinweist, machen darauf aufmerksam, dass es Zeiten gibt, in denen ein Arzt bei der Diagnose eines Patienten etwas übersehen könnte. Zum Beispiel sagt er, dass „für die Hälfte der medizinischen Verfahren keine wissenschaftlichen Beweise vorliegen“. Diese Diagnose erfolgt in erster Linie durch die eigene Praxis und das in der Schule erworbene Wissen, während Max sagt, dass es eine Art analytische Prognose für andere mögliche Krankheiten geben sollte. Er erklärt weiter, dass einige Patienten falsch diagnostiziert werden und wieder im Krankenhaus landen können, in dem er angibt, dass sie mit einer 8-mal höheren Wahrscheinlichkeit sterben. Das Faszinierendste ist, dass dies ein Problem ist, das es schon immer gegeben hat. Der Grund ist so einfach, dass Fehler gemacht werden müssen, die leider jemanden oder mehrere Menschen das Leben kosten können. Nicht nur das, wie Welling sagt, es gibt jedes Jahr 230 Millionen medizinische Eingriffe, die eine halbe Billion Dollar kosten. Wie jede Branche, die versucht, anderen zu helfen, kostet dies Geld; Darüber hinaus bedeutet dies, dass Krankenhäuser und diejenigen, die für die Finanzierung medizinischer Zentren verantwortlich sind, auf Innovatoren hören müssen, die versuchen, die Branche in eine bessere Richtung zu lenken. Trotzdem ist Sparsamkeit immer von Vorteil.

Wahrung der Privatsphäre

Welling gab an, dass er und sein Team drei Durchbrüche erzielt haben. Einer davon ist ein Computer, der die Privatsphäre innerhalb eines Krankenhauses wahren kann; Darüber hinaus können Computer eine Fülle von Daten analysieren, um die Diagnose für schwerkranke Patienten weiter zu verbessern. Diese Software heißt Maschinelles Lernen. Im Wesentlichen sendet der Computer eine Abfrage an die Krankenhausdatenbank, die die Abfrage beantwortet, und der maschinelle Lerner ändert die Antwort, indem er „etwas Rauschen hinzufügt“. Für weitere Details bitte Klicke hier (Max Welling erklärt es genauer zwischen Minute 5:20 – 6:06). Mit anderen Worten, wie Max es erklärt, der Computer will sich durch Diagnosen „bessern“ und „ein besseres Datenmodell bauen“. All dies ist zu verdanken Cynthia Dwork, der ein angesehener Wissenschaftler von Microsoft Research ist. Sie konzentriert sich auf die Wahrung der Privatsphäre auf der Grundlage einer mathematischen Grundlage. Für mehr über sie und was sie getan hat, Klicke hier. Kurz gesagt, dieser erste Durchbruch zeigt nicht nur, dass Max respektvoll mit den persönlichen Daten der Patienten umgehen möchte, sondern Krankenhäusern auch eine solidere Grundlage für die Diagnose bieten möchte.

Tiefes Lernen

Der zweite Durchbruch wurde durch ans Licht gebracht Geoffrey Hinton. Yann Lecun, Yoshua Bengio und Geoffrey haben Folgendes erklärt: „Deep Learning entdeckt komplizierte Strukturen in großen Datensätzen, indem es den Backpropagation-Algorithmus verwendet, um anzugeben, wie eine Maschine ihre internen Parameter ändern sollte, die verwendet werden, um die Darstellung in jeder Schicht aus der Darstellung in der vorherigen Schicht zu berechnen.“ Laienhaft ausgedrückt hilft es einer Maschine, sich selbst durch ihre komplexen Schichten und ihre tiefsten Parameter besser zu verstehen (für weitere Details lesen Sie bitte den Rest der Rezension, die die drei Herren geschrieben haben).

Kausalität vs. Korrelation

Der dritte und letzte Durchbruch ist eher eine kollaborative Idee, um Kausalität weiter von Korrelation zu unterscheiden. Max ist der Ansicht, dass die Tools von Judea Pearl dabei helfen können, diese beiden Konzepte zu unterscheiden und sich organisieren. Judäas Rolle besteht im Wesentlichen darin, dabei zu helfen, den Daten mehr Struktur zu verleihen, was erreicht werden kann, wenn Patientenakten digital in eine Datenbank übertragen werden. Pearls Arbeit ist ziemlich komplex, wenn Sie also genauer verstehen möchten, was seine „Werkzeuge“ sind Klicke hier.

Max' Wunsch

Welling am Ende seiner zusammengefasst TEDX-Gespräch dass er die Privatsphäre durch den maschinellen Lerner bewahren möchte. Zweitens, Datenminderjährige und Wissenschaftler einzubeziehen, um die Diagnose weiter zu verbessern, um Geld und Leben zu retten. Schließlich möchte er das Gesundheitswesen revolutionieren, indem er Krankenhäusern, Ärzten und Patienten durch Technologien, die Krankenhausbesuche verkürzen und Geld effizienter einsetzen können, bessere Dienste leistet. Dies ist eine schöne Vision für das Gesundheitswesen, denn er möchte nicht nur die medizinische Industrie respektieren, sondern auch dazu beitragen, Leben zu retten, während er an die Budgets von Krankenhäusern und medizinischen Zentren denkt.