抽象
通过柯尼希和同事的文章铺平了道路的患者亚组CAP在其中组合初始治疗包括大环内酯类可改善预后使用新的和有趣的数学方法的选择方式http://bit.ly/2p8RdCD
大环内酯类药物联合β内酰胺改善社区获得性肺炎(CAP)患者的预后仍是一个有争议的话题,主要是因为大多数证据来自观察性研究,而不是随机临床试验(rct)。近年来的一些研究表明,大环内酯类药物对糖尿病患者有效肺炎链球菌感染加上一个高的全身性炎症反应[1]。然而,大环内酯是有害的[2]并且有明确的需要确定CAP的表型,将来自受益大环内酯类无痛苦的负面影响。我们不可能用常规的研究设计来解决这个问题;相反,我们需要探索新的技术,其中包括使用机器学习方法获得模型。
在一个有趣的论文,Königet al。(3.使用新的统计工具,将倾向匹配评分与树决策模型(未指定)相结合,使用非监督机器学习(也未指定)来识别使用macrolide有益的患者。他们发现,一个简单的决定树肺炎患者的特征,包括慢性心血管和慢性呼吸共病和入院时呼吸分泌物中的白细胞计数,能够识别谁将获得更好的结果与大环内酯治疗。这些结果很重要,为开展优化的随机试验提供了新的视角,以证明大环内酯对CAP患者的有益作用。
但可能是本文中最有趣的功能之一是新的统计工具,在医学研究的结合。机器学习方法涉及使用计算机系统,以执行特定任务,其中大部分与预测相关算法的研究,而不使用依赖于模式的明确指示。机器学习构建基于为了使测试数据集的预测训练数据的数学模型。它包括的方法,例如回归模型,神经网络和/或深学习异构范围。的目的是检测一普遍意义的预测模式,独立于任何因果关系的。在未来的几年可以想象,机器学习将成为大量数据的基础上进行分析,以帮助个性化医学的艰巨任务。
这种方法的另一个优点是,它可以产生具有变量的模型,这些变量是临床医生没有意识到的,或者只是从未探索过的。例如,在这项研究中,痰中白细胞的数量是与大环内酯更大益处相关的变量之一。
然而,对于机器学习、神经网络或最重要的人工智能(AI)工具如何推动当前的医疗实践,医生们仍有很长的路要走。最近发表了六项研究[4- - - - - -9]使用AI接近支撑肺炎诊断和经验性抗生素的决策过程。大多数研究已肺炎诊断领域,通过胸片的研究进行的。相较于分析胸片时提供给临床医生单张图像,图像处理由AI工具进行能够分解图像的架构为千万像素,并提供更为精确的电脑歧视。因此,计算机的执行基于胸片分析最优性肺炎的诊断能力远远大于一个人的[5]。
然而,使用机器学习,神经网络和深厚的学习时,临床数据的质量是至关重要的问题。在用K报告的研究öniget al。(3.],数据是从CAPNETZ队列准手册捕获,并且是由此的良好质量。然而,丢失的数据的处理是一个问题,和代表的分析师面临的最大挑战之一。它甚至在医疗环境,其中缺失值的误解可能会严重扭曲的结果更加复杂。
这是本文的一个关键点,鉴于笔者的意见,他们的病人的60%,在显著变量(在呼吸道分泌物白细胞计数)的一个有缺失值,而这些患者被分配到低细胞群。在亚组分析,他们发现这些缺失值不同的管理如何改变他们的结果。
我们完成与上什么时,输出被限制为一组有限值的机器学习可以促进一个未连接数据库的反映。机器学习技术试图预测考虑到过去未来,所以增强学习从一个动态的环境中检索更新后的数据提供反馈,例如数据直接从电子病历检索,似乎是一个最佳的方法,在医疗计算机系统采用人工智能算法为了支持全天候的临床决策过程[6]。
综上所述,本文由Königet al。(3.]铺平了道路的患者亚组CAP在其中组合初始治疗包括大环内酯类药物可改善预后的选择方式。作者使用了新的和非常有趣的数学方法来预测患者在其中大环内酯类将是有益的子集。这种做法应被视为在临床医生和研究人员的服务有用的附加工具。
可共享的PDF
脚注
支持声明:C.Cillóniz是博士后资助的接受者(战略规划在卫生研究和创新; ERIS 2016- 2020年)中,SEPAR奖学金2018,并从丰多日InvestigaciónSANITARIA(PI19 / 00207)的资助。
利益冲突:C.加西亚 - 维达尔有没有透露。
利益冲突:C. Cilloniz有没有透露。
利益冲突:A.托雷斯没有什么要披露的。
- 收到2019年10月29日。
- 接受2019年10月29日。
- 版权所有©ERS 2019