Podemos crear un mundo sen enfermidades?

É posible ter un mundo libre de enfermidades? Enfermidade é unha palabra que a maioría (se non todas) se sente incómoda ao escoitar cando eles ou alguén que coñecen ten unha. Afortunadamente, Max Welling, profesor de aprendizaxe automática da Universidade de Amsterdam e membro do Instituto Canadiense de Investigación Avanzada, e o seu equipo de emprendedores crearon un sistema de análise de datos para o diagnóstico de enfermidades dos pacientes. Dato divertido: dirixe AMLAB (Amsterdam Machine Learning LAB) e codirixe QUVA Lab (Qualcomm-UvA Lab). Aquí veremos como este home marabilloso e o seu equipo de emprendedores (Cynthia Dwork, Geoffrey Hinton e Judea Pearl) fixeron uns avances incribles para librar o mundo da enfermidade.

As preocupacións de Max Welling

Algúns dos feitos que Welling sinala durante a súa charla TEDx chaman a atención sobre o feito de que hai momentos nos que un médico pode perder algo durante o diagnóstico dun paciente. Por exemplo, di que "a metade dos procedementos médicos non solicitan probas científicas". Ese diagnóstico realízase fundamentalmente a través da súa propia práctica e dos coñecementos adquiridos na escola, mentres que Max di que debería haber algún tipo de prognóstico analítico para outras posibles enfermidades. Continúa explicando que algúns pacientes poden ser diagnosticados erróneamente e acabar de novo no hospital, no que precisa que teñen 8 veces máis probabilidades de morrer. O máis intrigante é que este é un tema que sempre existiu. O motivo é tan sinxelo como se cometerán erros que, por desgraza, poden custar a vida a alguén ou a varias persoas. Non só iso, como di Welling, hai 230 millóns de procedementos médicos cada ano que custan medio billón de dólares. Como calquera industria que tenta ofrecer un servizo para axudar aos demais, custa carto; ademais, iso significa que os hospitais e os encargados de financiar os centros médicos deben escoitar aos innovadores que intentan impulsar a industria nunha mellor dirección. Non obstante, ser frugal sempre é beneficioso.

Preservando a privacidade

Welling declarou que el e o seu equipo fixeron 3 avances. Un dos cales é un ordenador que pode preservar a privacidade dentro dun hospital; Ademais, os ordenadores tamén poden analizar unha infinidade de datos para mellorar aínda máis o diagnóstico dos pacientes que están bastante enfermos. Este software recibe o nome Aprendiz de máquina. Esencialmente, o ordenador envía unha consulta á base de datos do hospital, que responde á consulta, entón o alumno automático cambiará a resposta "engadindo algo de ruído". Para máis detalles, por favor pulse AQUÍ (Max Welling explícao máis de preto entre os minutos 5:20 – 6:06). Noutras palabras, segundo explica Max, o ordenador quere "mellorarse" a través do diagnóstico e "construír un modelo mellor de datos". Todo isto é grazas a Cynthia Dwork, quen é un científico distinguido de Microsoft Research. Ela céntrase en preservar a privacidade baseándose nun fundamento matemático. Para obter máis información sobre ela e o que fixo, pulse AQUÍ. En resumo, este primeiro avance non só demostra que Max quere ser respectuoso coa información persoal dos pacientes, senón que tamén quere proporcionar aos hospitais unha base máis sólida para o diagnóstico.

Aprendizaxe profunda

O segundo avance foi saído á luz por Geoffrey Hinton. Yann Lecun, Yoshua Bengio e Geoffrey explicaron que: "A aprendizaxe profunda descobre estruturas intrincadas en grandes conxuntos de datos mediante o uso do algoritmo de retropropagación para indicar como unha máquina debe cambiar os seus parámetros internos que se usan para calcular a representación en cada capa a partir da representación da capa anterior". En termos simples, axuda a unha máquina a comprenderse mellor a través das súas complexas capas a través dos seus parámetros máis profundos (para máis detalles, lea o resto da crítica que escribiron os tres cabaleiros).

Causalidade vs correlación

O terceiro e último avance é máis unha idea colaborativa para diferenciar aínda máis a causalidade da correlación. Max considera que as ferramentas de Judea Pearl poden axudar a distinguir estes dous conceptos e organizarse. Esencialmente, o papel de Xudea é axudar a dar máis estrutura aos datos que se poden facer se os ficheiros dos pacientes se transfiren dixitalmente a unha base de datos. O traballo de Pearl é bastante complexo, polo que se queres comprender máis cales son as súas "ferramentas". pulse AQUÍ.

O desexo de Max

Welling resumiu ao final da súa Charla TEDX que quere preservar a privacidade a través do alumno automático. En segundo lugar, para involucrar menores de datos e científicos para mellorar aínda máis o diagnóstico para aforrar cartos e vidas. Por último, quere revolucionar a atención sanitaria atendendo mellor os hospitais, os médicos e os pacientes a través da tecnoloxía que pode axudar a acurtar as visitas aos hospitais e utilizar o diñeiro de forma máis eficiente. Esta é unha fermosa visión da atención sanitaria porque non só quere ser respectuoso coa industria médica, senón que tamén quere axudar a salvar vidas mentres pensa nos orzamentos dos hospitais e centros médicos.