Uczenie maszynowe w opiece zdrowotnej

• Autorzy: Karol Korczak

Warianty tytułu

Machine learning in healthcare

• Języki publikacji: PL

Abstrakty

Niniejszy artykuł prezentuje wybrane zastosowania uczenia maszynowego w obszarze opieki zdrowotnej. Omówiono w nim przykładowy proces uczenia maszynowego, przedstawiono przykłady praktycznych zastosowań tego typu rozwiązań. Pokazano, że algorytmy uczenia maszynowego mogą być pomocnym narzędziem w prognozowaniu prawdopodobieństwa wystąpienia chorób czy też zaleceń odnośnie do sposobów leczenia. Podkreślono, że zastosowanie systemów uczących się w opiece zdrowotnej jest ważne nie tylko ze zdrowotnego, ale także społeczno-ekonomicznego punktu widzenia(abstrakt oryginalny)

EN

This article presents selected applications of machine learning (ML) in the area of healthcare. An exemplary machine learning process is discussed, examples of practical ML applications are presented. It has been shown that machine learning algorithms can be a helpful tool in predicting the likelihood of disease or recommendations for treatment. It was emphasized that the use of machine-learned systems in healthcare is important not only from the health, but also from the socio-economic point of view(original abstract)

Słowa kluczowe

PL

Opieka zdrowotna; Prognozowanie; Uczenie maszynowe

EN

Health care; Forecasting; Machine learning

• Czasopismo: Roczniki Kolegium Analiz Ekonomicznych / Szkoła Główna Handlowa
• Rocznik: 2019
• Numer: nr 56 Technologie informatyczne w administracji publicznej i służbie zdrowia
• Strony: 305--316

Twórcy

autor

Karol Korczak

• Uniwersytet Łódzki

Bibliografia

• Chen M., Hao Y., Hwang K., Wang L., Wang L., Disease Prediction by Machine Learning Over Big Data from Healthcare Communities, "IEEE Access" 2017, 5, 8869-8879.
• Cichosz P., Systemy uczące się, Wydawnictwa Naukowo-Techniczne, Warszawa 2000.
• Duda R. O., Hart P. E., Pattern Classification and Scene Analysis, A Wiley-Interscience Publication, New York 1973
• Efron B., Hastie T., Computer Age Statistical Inference: Algorithms, Evidence, and Data Science, Cambridge University Press, New York 2016.
• Friedman J., Hastie T., Tibshirani R., The Elements of Statistical Learning, Springer Series in Statistics, New York 2001.
• Goodfellow I., Bengio Y., Courville A., Deep learning. Systemy uczące się, Wydawnictwo Naukowe PWN, Warszawa 2018.
• Krzyśko M., Wołyński W., Górecki T., Skorzybut M., Systemy uczące się. Rozpoznawanie wzorców, analiza skupień i redukcja wymiarowości, Wydawnictwa Naukowo--Techniczne, Warszawa 2008.
• Labuda N., Lepa T., Labuda M., Kozak K., Medical 4.0: Medical Data Ready for Deep and Machine Learning, "Journal of Bioanalysis &l Biomedical" 2017, 9 (6), 283-287.
• Medved D., Ohlsson M., Höglund P., Andersson B., Nugues P., Nilsson J., Improving Prediction of Heart Transplantation Outcome Using Deep Learning Techniques, "Scientific Reports" 2018, 8 (1), 3613.
• Michalski R. S., O naturze uczenia się - problemy i kierunki badawcze (1), "Informatyka" 1988, nr 2.
• Mitchell T. M., Machine Learning, McGraw-Hill Education, New York 1997.
• Mor-Yosef S., Samueloff A., Modan B., Navot D., Schenker J. G., Ranking the Risk Factors for Cesarean: Logistic Regression Analysis of a Nationwide Study, "Obstetrics and Gynecology" 1990, 75 (6), 944-947.
• Orchard P., Agakova A., Pinnock H., Burton C. D., Sarran C., Agakov F., McKinstry B., Improving Prediction of Risk of Hospital Admission in Chronic Obstructive Pulmonary Disease: Application of Machine Learning to Telemonitoring Data, "Journal of Medical Internet Research" 2018, 20 (9), e263.
• Russell S., Norvig P., Artificial Intelligence. A Modern Approach, Prentice-Hall, Egnlewood Cliffs, New Jersey 1995.
• Samuel A. L., Some Studies in Machine Learning Using the Game of Checkers, "IBM Journal of Research and Development" 1959, 3 (3), 210-229.
• Tapak L., Hamidi O., Amini P., Poorolajal J., Prediction of Kidney Graft Rejection Using Artificial Neural Network, "Healthcare Informatics Research" 2017, 23 (4), 277-284.
• cancercenter.ai