Machine Learning in Medicine - Cookbook

میزان داده‌ها در پایگاه‌های داده پزشکی هر 20 ماه دو برابر می‌شود و پزشکان در تجزیه و تحلیل آنها دچار مشکل می‌شوند. همچنین، روش‌های سنتی تجزیه و تحلیل داده‌ها در شناسایی نقاط پرت و الگوها در کلان داده‌ها مشکل دارند و داده‌ها با متغیرهای مواجهه/نتایج متعدد و قواعد تحلیل برای نظرسنجی‌ها و پرسش‌نامه‌ها، روش‌های رایج در حال حاضر جمع‌آوری داده‌ها، اساساً وجود ندارند.

بدیهی است که زمان آن فرا رسیده است که متخصصان پزشکی و بهداشت بر عدم تمایل خود به استفاده از یادگیری ماشین تسلط پیدا کنند و کتاب آشپزی ۱۰۰ صفحه‌ای فعلی باید برای این هدف مفید باشد. این کتاب به صورت فشرده موضوعات بررسی شده در کتاب درسی 750 صفحه ای سه جلدی توسط همان نویسندگان، با عنوان "یادگیری ماشینی در پزشکی I-III" (ویرایش توسط اسپرینگر، هایدلبرگ، آلمان، 2013) را پوشش می دهد و به صورت دستی نوشته شده است. ارائه ارائه و نشریه باید خوانده شود. این نه تنها برای محققین و دانشجویان رشته ها، بلکه برای پزشکان خسته و تازه کار و کمبود وقت برای خواندن کل کتاب های درسی نوشته شده است.

هدف کلی و سؤالات علمی روش ها فقط به اختصار ذکر شده است. ، اما توجه کامل به جزئیات فنی شده است. این دو نویسنده، یک آماردان و رئیس کنونی انجمن بین‌المللی آمار زیستی و یک پزشک و رئیس سابق کالج آنژیولوژی آمریکا، تجزیه و تحلیل‌های گام به گام زیادی را از فایل‌های تحقیقاتی و داده‌های خود برای خودارزیابی ارائه می‌کنند. در extras.springer.com موجود است.

از تجربه خود، نویسندگان نشان می‌دهند که یادگیری ماشین گاهی بهتر از آمارهای سنتی عمل می‌کند. یادگیری ماشینی ممکن است گزینه‌های کمی برای تنظیم مخدوش کردن و تعامل داشته باشد، اما شما می‌توانید امتیازات تمایل و متغیرهای تعامل را به تقریباً هر روش یادگیری ماشینی اضافه کنید.

The amount of data in medical databases doubles every 20 months, and physicians are at a loss to analyze them. Also, traditional methods of data analysis have difficulty to identify outliers and patterns in big data and data with multiple exposure / outcome variables and analysis-rules for surveys and questionnaires, currently common methods of data collection, are, essentially, missing.

Obviously, it is time that medical and health professionals mastered their reluctance to use machine learning and the current 100 page cookbook should be helpful to that aim. It covers in a condensed form the subjects reviewed in the 750 page three volume textbook by the same authors, entitled “Machine Learning in Medicine I-III” (ed. by Springer, Heidelberg, Germany, 2013) and was written as a hand-hold presentation and must-read publication. It was written not only to investigators and students in the fields, but also to jaded clinicians new to the methods and lacking time to read the entire textbooks.

General purposes and scientific questions of the methods are only briefly mentioned, but full attention is given to the technical details. The two authors, a statistician and current president of the International Association of Biostatistics and a clinician and past-president of the American College of Angiology, provide plenty of step-by-step analyses from their own research and data files for self-assessment are available at extras.springer.com.

From their experience the authors demonstrate that machine learning performs sometimes better than traditional statistics does. Machine learning may have little options for adjusting confounding and interaction, but you can add propensity scores and interaction variables to almost any machine learning method.