Можемо ли створити свет без болести?

Да ли је могуће имати свет без болести? Болест је реч коју већина (ако не и сви) људи осећа непријатно када је имају они или неко кога познају. Срећом, Мак Веллинг, професор машинског учења на Универзитету у Амстердаму и члан Канадског института за напредна истраживања, и његов тим предузетника креирали су систем за анализу података за дијагнозу болести за пацијенте. Занимљива чињеница: Он режира АМЛАБ (Амстердам Мацхине Леарнинг ЛАБ) и ко-директира КУВА Лаб (Куалцомм-УвА Лаб). Овде ћемо видети како су овај дивни човек и његов тим предузетника (Синтија Дворк, Џефри Хинтон и Џудеа Перл) направили невероватна открића да ослободе свет болести.

Забринутост Макса Велинга

Неке од чињеница које Велинг истиче током свог ТЕДк говора скрећу пажњу на чињеницу да постоје тренуци када лекар може нешто пропустити током дијагнозе пацијента. На пример, он каже да „половина медицинских процедура нема тражене научне доказе“. Та дијагноза се поставља пре свега сопственом праксом и знањем стеченим у школи, док Макс каже да би требало да постоји нека врста аналитичке прогнозе према другим могућим болестима. Он даље објашњава да се неким пацијентима може поставити погрешна дијагноза и завршити назад у болници, у којој прецизира да је 8 пута већа вероватноћа да ће умрети. Најинтригантније је да је ово питање које је одувек постојало. Разлог је једноставан јер ће се сигурно направити грешке које би, нажалост, могле коштати живота некога или неколико људи. И не само то, како каже Велинг, сваке године има 230 милиона медицинских процедура које коштају пола трилиона долара. Као и свака индустрија која покушава да пружи услугу како би помогла другима, то кошта новац; штавише, то значи да болнице и они који су задужени за финансирање медицинских центара морају да слушају иноваторе који покушавају да унапреде индустрију у бољем правцу. Ипак, бити штедљив је увек од користи.

Очување приватности

Велинг је изјавио да су он и његов тим направили 3 продора. Један од њих је компјутер који може да сачува приватност у болници; осим тога, компјутери такође могу анализирати мноштво података како би додатно побољшали дијагнозу пацијената који су прилично болесни. Овај софтвер је именован Мацхине Леарнер. У суштини, рачунар шаље упит у болничку базу података, која одговара на упит, а затим ће ученик који учи машину променити одговор „додавањем буке у њега“. За више детаља молимо кликните овде (Макс Велинг то поближе објашњава између минута 5:20 – 6:06). Другим речима, како то Макс објашњава, рачунар жели да се „побољша“ путем дијагнозе и „изгради бољи модел података“. Све ово је захваљујући Цинтхиа Дворк, који је истакнути научник из Мицрософт Ресеарцх-а. Она се фокусира на очување приватности на математичкој основи. За више о њој и ономе што је урадила, кликните овде. Укратко, овај први напредак не само да показује да Макс жели да поштује личне податке пацијената, већ жели и да болницама пружи чвршћу основу за дијагнозу.

Дееп Леарнинг

Други пробој је изнео на видело Геоффреи Хинтон. Ианн Лецун, Јосхуа Бенгио и Геоффреи објаснили су да: „Дубоко учење открива замршену структуру у великим скуповима података користећи алгоритам повратног ширења да укаже како машина треба да промени своје унутрашње параметре који се користе за израчунавање репрезентације у сваком слоју од репрезентације у претходном слоју. Лаички речено, помаже машини да боље разуме себе кроз своје сложене слојеве преко њених најдубљих параметара (за даље детаље прочитајте остатак рецензије коју су написала три господина).

Узрочност наспрам корелације

Трећи и последњи напредак је више идеја сарадње да се даље разликује узрочност од корелације. Макс сматра да алати Јудеа Пеарл могу помоћи у разликовању ова два концепта и организовати се. У суштини, улога Јудеје је да помогне у давању више структуре подацима што се може урадити ако се досијеи пацијената дигитално пренесу у базу података. Пеарлов рад је прилично сложен, па ако желите даље да разумете шта су његови „алати“. кликните овде.

Максова жеља

Велинг је резимирао на крају свог ТЕДКС Талк да жели да сачува приватност кроз машинско учење. Друго, да се ангажују малолетници података и научници у циљу даљег побољшања дијагнозе и уштеде новца и живота. На крају, он жели да револуционише здравствену заштиту тако што ће боље опслуживати болнице, лекаре и пацијенте кроз технологију која може помоћи да се скрате посете болницама и ефикасније користи новац. Ово је прелепа визија здравствене заштите, јер не само да жели да поштује медицинску индустрију, већ жели да помогне у спасавању живота док размишља о буџетима болница и медицинских центара.