新机器学习工具促进健康信息分析，临床预测
临床研究要求挖掘数据以进行见解。开发算法以查找模式的机器学习很难使用与健康记录相关的数据进行此操作，因为这种类型的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且可重复的机器学习工具，以促进健康信息分析。该工具可用于临床预测，该预测可以预测个别患者的趋势和结果。
卡内基·梅隆大学（CMU）的研究人员的研究出现在机器学习研究论文集。
“时间学习精简版或TL-Lite是一种可视化和预测工具，可以弥合临床可视化和机器学习分析之间的差距。”健康撰写了这项研究的CMU Heinz College的信息学。“尽管该工具的各个元素是众所周知的，但它们集成到交互式中临床研究工具是新的，对卫生专业人员有用。熟悉，用户可以在几分钟内进行初步分析。”
时间是收集到的临床数据的关键部分医疗保健提供。例如，在对综合症患者的讨论中，医生拜访医院患者以确定他们的状况，医务人员使用了描述进展和康复测量的视觉辅助工具。自电子健康记录已被广泛采用，在可视化临床数据以及临床预测方面已取得了重大进展。然而，两者之间仍然存在差距。
TL-LITE从数据库中的信息可视化开始，并以时间模型的视觉风险评估结束。在此过程中，用户可以通过个人和群体级别的视觉摘要看到其设计选择的效果。这使用户可以更完整地了解其数据并调整机器学习设置以进行分析。
为了显示如何使用该工具，Weiss用三个电子健康记录与三个健康问题有关：预测严重的血小板减少症（血液中血小板异常低）重症监护室（ICU）在患有败血症的患者中，预测入院后一天入院的ICU患者的存活，并预测患有疾病患者的2型糖尿病的微血管并发症。
Weiss说：“ TL-Lite的核心目标是促进明确且精心设计的预测性预测，而这种可视化工具旨在简化过程。”“同时，可以通过引入将临床数据流组织为有意义的可视化。机器学习元素。这些方法是互补的，因此利用一种方法的好处，而另一种方法遇到障碍会带来更好的整体解决方案。”
