AI真的可以幫我們確診膿毒症嗎？

每一年，嚴重的膿毒症的併發症都會讓超過百萬的美國人喪生，很多時候，因為醫療條件的匱乏，當醫生確診的時候，已經太遲了。科學家正在考慮用新的技術去幫助醫生確診這個病，而不是需要通過一些非常明顯的癥狀。

不管你信不信，有一個你必須要知道，我們得一些非常重大的疾病是存在一定的概論，而人工智慧，則是可以學習這樣的數字，來預測出這樣的疾病將會怎麼樣影響到患者。

Saria最近在紐約科學院第11屆機器學習研討會上提出了她的研究結果，那就是演算法通過收集諸如年齡、種族、性別等個人健康能夠檢測出早產新生兒健康風險和膿毒性休克(嚴重膿毒症和非常低的血壓和器官衰竭),。,然後可以藉此來調整治療。

」這樣的工具可以識別的人是否可能有這一種疾病,」Saria告訴記者。「你可以通過早期的數據做到這種識別。」

因為每個人都要進行一些常規檢查，這些常規檢查的成績都會被記錄下來，被人工智慧作為檢測對比的數據源，人工智慧可以對比其健康數據波動，預測其身體是否有變化。

另外，他還可以預測不同類型的治療方法對病人的影響。如，機器可以就一種病的三種不同方法做出不同的預測，以得出最好的解決方案。

現在，專家正在試圖說服醫療從業人員去了解這些演算法，而這些演算法十之八九會因為那些他們完全不懂的演算法而被卡住或者說pass掉。而且，介於醫療衛生的某些開放性特質，專家認為做一個基於安全的雲應用的的雲端設備或許是一個不錯的選擇。

他們把系統安放在了霍普金斯（一個著名的醫學院），他們正在不斷的去實踐。

有意思的是，我們的一些決定其實說不好哪個是正確的，不信你看，有些治療效果非常好，但是副作用巨大，有些是微創治療，卻是一個曠日持久的拉鋸戰。這種時候，機器可以根據你現有的數據信息，為你做出最好的選擇。

工程師需要如何訓練人工智慧以讓其更好地為人類服務？

儘可能的多學習。因為人畢竟是太複雜了，通過數據學習，去了解不同之間的不同細微差別，這是人不同於機器的最關鍵的地方。了解這些差異才能為人類更好地服務。

用這個做醫療診斷方面的決策是否靠譜？問題還有哪些，還需要怎麼發展。差距在哪裡和怎樣才能這樣做更快呢?

雖然機器已經體現出了演算法的優越性，但是，真要純粹去做決策，稍微還是要有些不嚴謹，所以我們還是要更加嚴禁更加嚴格的去要求這個系統。我們需要一種方法來嚴格的基準測試或驗證數據驅動系統。我們需要更少的術語,我們需要系統的工作和乾淨的數據支持和多好。

此外,我們需要更好的政策開放電子健康記錄(病歷)。然而，這又涉及到一個問題，讓人隨意訪問你的病例，顯然是不合適的，

所以，這事兒到底應該咋弄。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！