Kunnen we een wereld zonder ziekte creëren?

Is het mogelijk om een ​​ziektevrije wereld te hebben? Ziekte is een woord dat de meeste (zo niet alle) mensen ongemakkelijk vinden als zij of iemand die ze kennen er een heeft. Gelukkig, Max Welling, een professor in machine learning aan de Universiteit van Amsterdam en lid van Canadian Institute of Advanced research, en zijn team van ondernemers hebben een data-analysesysteem ontwikkeld voor de diagnose van ziekten voor patiënten. Leuk weetje: hij regisseert AMLAB (Amsterdam Machine Learning LAB) en co-regisseur QUVA Lab (Qualcomm-UvA Lab). Hier zullen we zien hoe deze geweldige man en zijn team van ondernemers (Cynthia Dwork, Geoffrey Hinton en Judea Pearl) een aantal ongelooflijke doorbraken hebben gemaakt om de wereld van ziekten te bevrijden.

De zorgen van Max Welling

Sommige feiten die Welling tijdens zijn TEDx-lezing naar voren brengt, vestigen de aandacht op het feit dat er momenten zijn waarop een arts iets over het hoofd kan zien tijdens een diagnose van een patiënt. Hij zegt bijvoorbeeld dat "de helft van de medische procedures geen wetenschappelijk bewijs heeft." Die diagnose wordt voornamelijk gedaan door hun eigen praktijk en op school opgedane kennis, terwijl Max zegt dat er een vorm van een analytische prognose moet zijn voor andere mogelijke ziekten. Hij legt verder uit dat sommige patiënten een verkeerde diagnose kunnen krijgen en weer in het ziekenhuis belanden, waarin hij aangeeft dat ze 8 keer meer kans hebben om te overlijden. Het meest intrigerende is dat dit een probleem is dat altijd heeft bestaan. De reden is zo simpel als dat er fouten worden gemaakt die helaas iemand of meerdere mensen het leven kunnen kosten. Niet alleen dat, zoals Welling zegt, er zijn elk jaar 230 miljoen medische procedures die een half biljoen dollar kosten. Zoals elke branche die een dienst probeert te verlenen om anderen te helpen, kost het geld; bovendien betekent dit dat ziekenhuizen en degenen die verantwoordelijk zijn voor de financiering van medische centra moeten luisteren naar vernieuwers die proberen de industrie in een betere richting te helpen. Toch is zuinig zijn altijd gunstig.

Behoud van privacy

Welling verklaarde dat hij en zijn team 3 doorbraken hebben gemaakt. Een daarvan is een computer die de privacy binnen een ziekenhuis kan behouden; bovendien kunnen computers ook een overvloed aan gegevens analyseren om de diagnose voor patiënten die behoorlijk ziek zijn verder te verbeteren. Deze software heet Machine-leerling. In wezen stuurt de computer een vraag naar de ziekenhuisdatabase, die de vraag beantwoordt, waarna de machine-leerling het antwoord zal veranderen door "er wat ruis aan toe te voegen". Voor meer informatie alstublieft klik hier (Max Welling legt het nader uit tussen minuten 5:20 - 6:06). Met andere woorden, zoals Max het uitlegt, wil de computer "zichzelf verbeteren" via diagnose en "een beter gegevensmodel bouwen". Dit alles is te danken aan Cynthia Dwerk, een vooraanstaande wetenschapper van Microsoft Research. Ze richt zich op het behoud van privacy op basis van een wiskundige onderbouwing. Voor meer over haar en wat ze heeft gedaan, klik hier. Kortom, deze eerste doorbraak toont niet alleen aan dat Max respect wil hebben voor de persoonlijke informatie van patiënten, maar ook ziekenhuizen een steviger fundament wil geven voor diagnose.

Diepe leren

De tweede doorbraak kwam aan het licht door Jeffrey Hinton. Yann Lecun, Yoshua Bengio en Geoffrey hebben uitgelegd dat: "Deep learning ingewikkelde structuren in grote datasets ontdekt door het backpropagation-algoritme te gebruiken om aan te geven hoe een machine zijn interne parameters moet wijzigen die worden gebruikt om de representatie in elke laag te berekenen uit de representatie in de vorige laag." In termen van leken helpt het een machine zichzelf beter te begrijpen door middel van zijn complexe lagen via zijn diepste parameters (lees voor meer details de rest van de recensie die de drie heren schreven).

Causaliteit versus correlatie

De derde en laatste doorbraak is meer een gezamenlijk idee om causaliteit verder te onderscheiden van correlatie. Max is van mening dat de tools van Judea Pearl kunnen helpen om deze twee concepten te onderscheiden wordt georganiseerd. In wezen is de rol van Judea om te helpen meer structuur aan gegevens te geven, wat kan worden gedaan als patiëntendossiers digitaal worden overgebracht naar een database. Pearl's werk is behoorlijk complex, dus als je meer wilt weten over zijn 'tools' klik hier.

De wens van Max

Welling samengevat aan het einde van zijn TEDX-talk dat hij de privacy wil behouden via de machine-leerling. Ten tweede, om dataminderjarigen en wetenschappers in te schakelen om de diagnose verder te verbeteren om geld en levens te redden. Ten slotte wil hij een revolutie teweegbrengen in de gezondheidszorg door ziekenhuizen, artsen en patiënten beter van dienst te zijn door middel van technologie die kan helpen ziekenhuisbezoeken te verkorten en geld efficiënter te gebruiken. Dit is een mooie visie op gezondheidszorg, want hij wil niet alleen respect hebben voor de medische industrie, hij wil ook levens helpen redden en daarbij denken aan de budgetten van ziekenhuizen en medische centra.