新的机器学习工具有助于健康信息的分析和临床预测

临床研究需要从数据中挖掘出见解。机器学习开发算法来寻找模式，但它很难处理与健康记录相关的数据，因为这类信息既不是静态的，也不是定期收集的。一项新的研究开发了一种透明和可重复的机器学习工具，以促进健康信息的分析。该工具可用于临床预测，可以预测趋势和个别患者的结果。

在Carnegie Mellon University（CMU）的研究人员出现了这项研究机器学习研究进展。

“时间学习精简版或TL-Lite，是一种可视化和预测工具，用于弥合临床可视化和机器学习分析之间的差距，”Jeremy Weiss，助理教授解释说健康他是这项研究的作者。“虽然这个工具的各个元素都是众所周知的，但它们的集成是交互式的临床研究工具是新的，可用于健康专业人士。通过熟悉，用户可以在几分钟内进行初步分析。“

时间是临床数据收集的关键部分卫生保健服务。例如，在讨论回合的患者期间，其中医生访问医院患者确定他们是如何做的，医务人员使用视觉助剂描绘进展和恢复的测量。自电子以来健康记录已被广泛采用，在可视化临床数据以及临床预测中取得了重大进展。这两个差距仍然存在。

TL-Lite以数据库信息的可视化开始，以时态模型的可视化风险评估结束。在这个过程中，用户可以通过可视化的个人和团体级别的总结来看到他们的设计选择的效果。这让用户能够更全面地了解他们的数据，并调整机器学习设置以进行分析。

要展示如何使用该工具，Weiss展示了三个模型电子健康记录有关三个健康问题:在住院期间预测严重的血小板减少症(血液中血小板水平异常低)重症监护室（ICU）在败血症患者中，预测入院后一天患者的患者的生存，并预测患者患者2型糖尿病的微血管并发症。

“TL-Lite的中心目标是促进精心设计的预测预测，而这个可视化工具旨在简化这个过程，”Weiss说。“与此同时，将临床数据流组织成有意义的可视化可以通过引入机器学习元素。这些方法是互补的，因此利用另一个击中路障的益处导致更好的整体解决方案。“

---

---