[论文解读] Machine Learning Applications In Healthcare: The State Of Knowledge and Future Directions

Mrinmoy Roy, Sarwar J. Minar+2 more|arXiv (Cornell University)|Jul 26, 2023

Artificial Intelligence in Healthcare被引用 5

一句话总结

本文对机器学习（ML）在医疗保健中的应用进行了全面且系统化的综述，将应用划分为五个领域——社区健康、风险管理、运营、远程医疗和早期检测，通过表格化参考文献实现快速访问。本文旨在通过整合当前的应用实践并展望未来研究方向，弥合临床医生与机器学习从业者之间的知识鸿沟。

ABSTRACT

Detection of easily missed hidden patterns with fast processing power makes machine learning (ML) indispensable to today's healthcare system. Though many ML applications have already been discovered and many are still under investigation, only a few have been adopted by current healthcare systems. As a result, there exists an enormous opportunity in healthcare system for ML but distributed information, scarcity of properly arranged and easily explainable documentation in related sector are major impede which are making ML applications difficult to healthcare professionals. This study aimed to gather ML applications in different areas of healthcare concisely and more effectively so that necessary information can be accessed immediately with relevant references. We divided our study into five major groups: community level work, risk management/ preventive care, healthcare operation management, remote care, and early detection. Dividing these groups into subgroups, we provided relevant references with description in tabular form for quick access. Our objective is to inform people about ML applicability in healthcare industry, reduce the knowledge gap of clinicians about the ML applications and motivate healthcare professionals towards more machine learning based healthcare system.

研究动机与目标

• 将分散的机器学习在医疗保健中应用的知识整合为结构化、易于访问的格式。
• 通过提供实用应用的清晰、有参考文献支持的概述，减少临床医生与机器学习从业者之间的知识鸿沟。
• 识别并分类关键医疗保健领域中现有的机器学习应用，以促进更便捷的发现与采用。
• 突出缺乏可解释性以及文档不充分等挑战，这些挑战阻碍了实际部署。
• 通过基于证据、结构化的见解，激励医疗保健专业人员更积极地采用基于机器学习的解决方案。

提出的方法

• 将机器学习应用系统性地划分为五个主要领域：社区健康、风险管理、医疗运营、远程医疗和早期检测。
• 在每个领域下进一步细分为具体的临床或运营领域（如疾病预测、患者监测、资源分配）。
• 汇编相关同行评审参考文献，并为每个应用领域提供简明描述。
• 采用表格化格式呈现信息，以实现快速查阅并提升可访问性。
• 聚焦于临床相关、实际应用的机器学习方案，而非理论或实验性模型。
• 强调可解释性及实际部署中的挑战，以指导未来的研究与实施。

实验结果

研究问题

• RQ1 在不同临床和运营领域中，机器学习在医疗保健中的当前主要应用有哪些？
• RQ2 在临床实践中，机器学习应用推广的主要障碍是什么，特别是对医疗保健专业人员而言？
• RQ3 如何更好地对机器学习应用进行文档化和结构化，以提升其对临床医生的可访问性与可用性？
• RQ4 哪些医疗保健领域在机器学习整合方面最具潜力，代表性应用场景有哪些？
• RQ5 为增强医疗保健中机器学习的临床相关性和可解释性，未来需要哪些研究方向？

主要发现

• 由于能够识别隐藏模式并快速处理大规模数据集，机器学习在医疗保健中的重要性日益凸显。
• 尽管存在大量有前景的应用，但仅有少数成功集成到当前的医疗系统中。
• 缺乏标准化、可解释性良好且文档完善的机器学习资源，仍是临床采纳的主要障碍。
• 本研究成功地将机器学习应用组织为五个主要领域，并细分为子类别，每个类别均配有相关参考文献。
• 通过表格形式呈现应用描述与参考文献，使临床医生能够更快获取信息并做出更明智的决策。
• 本文明确指出了改善知识传播和面向临床医生的机器学习文档化的需求，以加速实际应用的落地。