研究员Stephen Weng和他的同事基于英国的378,256名患者的病历档案测试了几种不同的机器学习工具。这些病历档案记录了2005年至2015年的患者及其健康状况，包含医疗条件，处方药，医院就诊，检查结果等信息。 研究人员把75％的病历送到他们的机器学习模型中，以找出10年内经历心脏病发作或中风的患者的特征。然后对其他25％的记录进行了模型测试，来检测他们预测心脏病发作和中风的准确程度如何。

如果用1.0分表示100％准确度，传统预测标准得分为0.728。而机器学习模型的结果是从0.745到0.764，最佳分数来自神经网络机器学习模型：神经网络模型在7404例实际病例成功预测了4,998例，比传统方法多了355例。利用该技术进行预测可以帮助医生采取相应的预防措施，如为有发病风险的患者开具处方药来降低胆固醇。

那么该AI工具在实际诊断中是如何帮助医生工作的呢？Stephen Weng表示他们的算法可以在查看、分析整个患者列表后，将有发病风险的患者标记出来，提醒医生注意。这个过程可以既可以发生在病患坐在医生面前进行例行检查的时候，也可以在病人不在场时完成。Stephen Weng指出该平台的主要优势在于预测准确度：虽然类似的临床决策支持软件已经存在，但不同于这些软件，他们开发的系统使用了AI模式识别，可以提供更准确结果预测。

诺丁汉大学研究人员Stephen Weng表示，目前在实验室中测试的AI医疗工具将很快提高临床医生在诊断和预后方面的准确性。“从研究到临床护理应用的飞跃将在未来五年内发生。”

然而目前面临的问题是，在AI进入真正的医疗场景之前仍然要得到监管认可。Stephen Weng说：“实施的主要障碍将是管理隐私和患者保密问题，计算机算法需要通过大量病人数据进行分析，其中包含隐私的医疗信息。除了处理这些隐私问题外，也面临防止医疗机器做出自主决定的安全性问题。那么，”机器学习工具什么时候可以预测自己何时能获批上市呢？“

来源：36氪