یادگیری ماشین در پزشکی – کتاب آشپزی ۲۰۱۴
Machine Learning in Medicine – Cookbook 2014

میزان داده ها در پایگاه های اطلاعات پزشکی هر 20 ماه دو برابر می شود و پزشکان در تجزیه و تحلیل آن ها درمانده شده اند. همچنین، روش های سنتی تجزیه و تحلیل داده ها در شناسایی نقاط پرت و الگوها در داده های حجیم و داده هایی با متغیرهای مواجهه/پیامد متعدد با مشکل مواجه هستند و قوانین تجزیه و تحلیل برای نظرسنجی ها و پرسشنامه ها، که در حال حاضر روش های رایج جمع آوری داده هستند، اساساً وجود ندارند.

بدیهی است که زمان آن فرا رسیده است که متخصصان پزشکی و بهداشت بر بی میلی خود به استفاده از یادگیری ماشین غلبه کنند و کتاب آشپزی 100 صفحه ای کنونی باید در این راستا مفید باشد. این کتاب به صورت فشرده، موضوعاتی را پوشش می دهد که در کتاب سه جلدی 750 صفحه ای با عنوان “یادگیری ماشین در پزشکی I-III” (انتشارات Springer، هایدلبرگ، آلمان، 2013) توسط همین نویسندگان بررسی شده است و به عنوان یک ارائه راهنما و یک اثر ضروری برای خواندن نوشته شده است. این کتاب نه تنها برای محققان و دانشجویان این رشته ها، بلکه برای پزشکان خسته و تازه وارد به این روش ها که وقت خواندن کل کتاب های درسی را ندارند نیز نوشته شده است.

اهداف کلی و سوالات علمی این روش ها فقط به طور مختصر ذکر شده اند، اما توجه کامل به جزئیات فنی معطوف شده است. دو نویسنده، یک آمارشناس و رئیس فعلی انجمن بین المللی آمار زیستی و یک پزشک و رئیس سابق کالج آنژیولوژی آمریکا، تجزیه و تحلیل های گام به گام فراوانی از تحقیقات و فایل های داده خود ارائه می دهند و فایل هایی برای خودارزیابی در extras.springer.com در دسترس هستند.

نویسندگان از تجربه خود نشان می دهند که یادگیری ماشین گاهی اوقات بهتر از آمار سنتی عمل می کند. یادگیری ماشین ممکن است گزینه های کمی برای تعدیل متغیرهای مخدوش کننده و تعامل داشته باشد، اما می توانید نمرات گرایشی و متغیرهای تعامل را تقریباً به هر روش یادگیری ماشین اضافه کنید.

The amount of data in medical databases doubles every 20 months, and physicians are at a loss to analyze them. Also, traditional methods of data analysis have difficulty to identify outliers and patterns in big data and data with multiple exposure / outcome variables and analysis-rules for surveys and questionnaires, currently common methods of data collection, are, essentially, missing.

Obviously, it is time that medical and health professionals mastered their reluctance to use machine learning and the current 100 page cookbook should be helpful to that aim. It covers in a condensed form the subjects reviewed in the 750 page three volume textbook by the same authors, entitled “Machine Learning in Medicine I-III” (ed. by Springer, Heidelberg, Germany, 2013) and was written as a hand-hold presentation and must-read publication. It was written not only to investigators and students in the fields, but also to jaded clinicians new to the methods and lacking time to read the entire textbooks.

General purposes and scientific questions of the methods are only briefly mentioned, but full attention is given to the technical details. The two authors, a statistician and current president of the International Association of Biostatistics and a clinician and past-president of the American College of Angiology, provide plenty of step-by-step analyses from their own research and data files for self-assessment are available at extras.springer.com.

From their experience the authors demonstrate that machine learning performs sometimes better than traditional statistics does. Machine learning may have little options for adjusting confounding and interaction, but you can add propensity scores and interaction variables to almost any machine learning method.