Gran parte de los datos de salud no están estructurados, y Google quiere aplicar sus modelos y algoritmos para solucionarlo.
Para esto, durante la conferencia que concluye hoy en California, la compañía presentó un documento bautizado «Aprendizaje profundo escalable y preciso con registros de salud electrónicos» que desarrolló en conjunto con la UC San Francisco, Stanford Medicine y The University of Chicago Medicine y en el que se explora cómo los modelos de aprendizaje profundo pueden aplicarse a los pacientes del hospital.
«Presumimos que estas técnicas se traducirían bien en la asistencia sanitaria; específicamente, los enfoques de aprendizaje profundo que podrían incorporar toda la HCE, incluidas las notas de texto libre, para generar predicciones en una amplia gama de problemas clínicos y resultados que superen los modelos predictivos tradicionales de vanguardia. Nuestra visión central fue que, en lugar de armonizar explícitamente los datos de HCE, hay que mapearlos junto a un conjunto altamente curado de variables predictivas estructuradas y luego alimentar esas variables en un modelo estadístico. De este modo, podríamos aprender a armonizar simultáneamente los aportes y predecir eventos médicos a través del aprendizaje directo de características», explican.
Según Google, sus modelos fueron capaces de escalar y ser precisos en la predicción de readmisiones, altas y mortalidad hospitalaria inesperadas, por lo que postula que al escanear miles de datos de pacientes, podrán «predecir cuantitativamente» las posibilidades de los pacientes de ser readmitidos en hospitales y, de este modo, mejorar la atención y reducir costos.
Fuentes:
Google Blog
www.zdnet.com
