Afbalanceret artikel beskriver fordele og begrænsninger ved anvendelse af big data og automatisk læring med computere til at prædiktere kliniske forløb.
Automatisk læring med computere ved brug af store datamængder (machine learning using big data) er blevet promoveret som det ”nye sort” også indenfor lægevidenskaben. Specielt har der været fokus på, at disse metoder kan forbedre kliniske prædiktioner og derved for eksempel identificere patienter som kræver ekstra opmærksomhed eller en anderledes behandling. Ny artikel i New England Journal of Medicine diskuterer fordele og begrænsninger ved at bruge machine learning til at udvikle kliniske prædiktionsmodeller. Forfatterne nævner blandt andet, at prædiktionsmodeller ofte baseres på data, som ikke er blevet indsamlet til disse formål, men administrative data som er blevet brugt til at danne afregninger. De påpeger også, at prædiktion baseret på eksisterende historiske data, som er fremgangsmåden ved machine learning, kan være problematisk på grund af den hurtige udvikling inden for flere medicinske områder, hvor fremtiden ikke nødvendigvis vil afspejle fortiden. Overordnet mener de dog at machine learning på baggrund af big data kan være nyttig, hvis den kombineres med lægens kliniske færdigheder.
Statistiker Jacob Louis Marott, Østerbroundersøgelsen, Bispebjerg og Frederiksberg Hospital kommenterer: ”Indenfor medicinsk diagnostik er forventningerne til machine learning som en ballon oppustet til bristepunktet. Spørgsmålet er om tiden er inde til at finde nålen frem, eller vi blot kan nøjes med at lukke lidt af luften ud. Big data garanterer ikke høj datakvalitet, og selvom machine learning generelt er langt bedre end traditionelle regressionsmodeller til at ignorere data-støj, så afhænger algoritmernes prædiktionsevne stadig af menneskets evne til at fodre dem med de rigtige data. Anvendelsesområderne for machine learning omhandler blandt andet tidlig opsporing af kritisk sygdom og dybe neurale netværk til avanceret billedanalyse, men vi befinder os i en tidsalder, hvor computerne har brug for os, og vi har brug for dem. Amaras lov ”Vi overestimerer ofte effekten af ny teknologi på den korte bane, men underestimerer effekten på den lange bane”, ser også ud til at holde her. Så vi gør klogt i ikke at finde nålen frem, netop fordi machine learning vil kunne hjælpe os med at finde den, selv hvis den skulle være gemt i en høstak”
INTERESSEKONFLIKTER: JLM angiver ingen interessekonflikter
