疾病预测，机器学习和医疗保健_机器学习预测性医疗

21世纪是数据驱动型决策的时代。据说产生更多数据的细分市场或行业增长速度会更快，而能够利用这些数据作出重要决策的一方将会走在前面。

当涉及到产生大量数据的行业时，由于采用了数据收集的新方法，例如传感器生成的数据，医疗保健就是其中之一。

机器学习如何帮助医疗行业？

机器学习允许构建模型来快速分析数据并交付结果，同时利用历史数据和实时数据。通过机器学习，医疗服务提供商可以对患者的诊断和治疗选择做出更好的决策，从而导致医疗服务的整体改善。

以前，由于没有可用的技术或工具，医疗保健专业人员收集和分析大量数据以进行有效的预测和治疗是具有挑战性的。现在，随着机器学习的发展，Hadoop等大数据技术已经足够成熟以适应大规模应用，这些工作相对来说就变得比较容易。实际上，54％的企业正在使用或将Hadoop作为大数据处理工具，以获得有关医疗保健的重要见解。94％的Hadoop用户对以前认为不可能的庞大数据进行分析。

机器学习算法也可以帮助提供关于患者疾病、实验室检查结果、血压、家族史、临床试验数据等方面的重要统计数据、实时数据和高级分析。

如果这个数据可以用来预测某种疾病或发展疾病的风险呢？

由于医疗保健产生大量数据，所面临的挑战是收集这些数据并将其有效地用于分析、预测和治疗。让我们看看机器学习如何解决这个挑战。

疾病预测

现代的医疗方法是通过早期干预来预防疾病，而不是在诊断后进行治疗。传统上，医师或医生使用风险计算器来评估疾病发展的可能性。这些计算器使用人口统计学、医疗条件、生活常规等基本信息来计算发展某种疾病的可能性。这种计算是使用基于方程的数学方法和工具完成的。这里面临的挑战是使用类似的基于等式的方法的低准确率。

例如，Framingham研究可以预测长期心血管疾病的准确性仅为56％。

但随着近年来大数据、机器学习等技术的发展，疾病预测的结果可能会更加准确。医生正在与统计学家和计算机科学家合作开发更好的工具来预测疾病。该领域的专家正在研究确定，开发和微调机器学习算法和模型的方法，以提供准确的预测。

为了开发一个强大而准确的机器学习模型，我们可以使用从研究数据、患者人口统计、医疗健康记录和其他来源收集的数据。

传统方法和疾病预测的机器学习方法之间的差异是要考虑的因变量的数量。在传统方法中，只考虑很少的变量，如年龄、体重、身高、性别等（由于计算限制）。另一方面，在计算设备上处理的机器学习可以考虑大量的变量，这导致保健数据的更好的准确性。

根据最近的一项研究，研究人员获得了更好的诊断准确性，通过考虑大约200个变量来使用整个医疗记录。

药物发现和电子健康记录

除了疾病预测之外，还有更多的潜在领域，如药物发现或电子健康记录，机器学习可以改善医疗保健行业。我们看到，通过机器学习应用，医疗保健和医药领域可以进入新的领域，彻底改变医疗行业。