նախընտրելի դարձնել
Նոր ուսումնասիրությունը լույս է սփռում խոստումնալից մոտեցման վրա, որն օգտագործում է մեքենայական ուսուցում, որպեսզի ավելի արդյունավետ կերպով տրամադրի առողջապահական խնամքը համաճարակի ժամանակ կամ ցանկացած ժամանակ, երբ թերապևտիկ միջոցների պակաս կա: Արդյունքները, որոնք հրապարակվել են JAMA Health Forum ամսագրում, ցույց են տվել սպասվող հոսպիտալացումների զգալի նվազում, երբ մեքենայական ուսուցումն օգտագործվել է դեղերի բաշխմանն աջակցելու համար՝ օգտագործելով COVID-19 համաճարակը մոդելը փորձարկելու համար: Ապացուցված է, որ մոդելը նվազեցնում է հոսպիտալացումները մոտավորապես 27%-ով` համեմատած իրական վերահսկվող բուժման հետ: «Առողջապահական համակարգը համաճարակի ընթացքում մեծացել էր, և շատ մատակարարներ ապավինում էին տեղեկություններին այն մասին, թե ով է բուժում ստացել առաջին հերթին, առաջինը սպասարկվել է կամ հիվանդի բժշկական պատմությունը», - ասում է բժշկական գիտությունների դոկտոր, Կոլորադոյի Անշուցի բժշկական համալսարանի անհետաձգելի բժշկության պրոֆեսոր, հեղինակ Ադիտ Գինդեն:
«Սակայն, այս մեթոդները հաճախ հաշվի չեն առնում բարդ փոխազդեցությունները, որոնք հիվանդները կարող են զգալ դեղորայք ընդունելիս՝ ակնկալվող կլինիկական արդյունավետությունը որոշելու համար, և կարող են բաց թողնել այն հիվանդներին, ովքեր ամենաշատը կշահեն բուժումից»: Մենք ցույց ենք տալիս, որ մեքենայական ուսուցումն այս սցենարներում իրական ժամանակում ապացույցներ օգտագործելու միջոց է՝ հանրային առողջության վերաբերյալ տեղեկացված որոշումներ կայացնելու համար»:
