使用AI ML生成现实世界的证据

AI/ML可以应用的两个例子包括罕见病检测和了解疾病流行情况。

罕见疾病检测中的机遇与挑战

已鉴定六至七千罕见疾病[1]，加拿大人12人有一个罕见的疾病[2]。八十个稀有疾病是遗传原子遗传[3] [4]，并且可以诊断约7.3岁[4]。

由于鉴定和诊断稀有疾病的挑战，患者往往未经处理的几年，导致他们的健康和整体生活质量进一步恶化。lol买外围用什么软件此外，即使患者被诊断出来，它们的疾病也可能进化到药物不再有效的程度。这可能导致需要昂贵的医疗资源，帮助患者随时对其疾病进行管理。此外，ICD-10代码可能不是特定的，而医生可以选择最能代表症状的代码。因此，罕见疾病在编纂中并不具体，并且患者可能会在一个代码下进行分组。所有这一切都可以导致患者的副本生护理和恶化的结果。

因此，重要的是，这些患者迅速鉴定，因此可以启动治疗。恰恰待的疾病越早可以有效地管理，导致更好的患者结果和潜在的医疗资源利用率降低。lol买外围用什么软件

然而，考虑到诊断的模糊性，识别这些患者是一项挑战。这就是AI/ML可以发挥作用的地方。AI/ML能够理解复杂的模式、治疗和不总是明显的关联，并开发出一种算法来准确、有效地识别这些患者。

下图说明了AI / ML必须满足的条件，以产生最大值。

案例分析

挑战- IQVIA与一位客户合作，他想了解早期疾病检测算法是否可以用于发现未确诊的罕见疾病患者。

解决方案- IQVIA进行了一项研究，将临床-人工智能与完全数据驱动的人工智能和基于kola的知识进行了比较。数据来自初级和专科护理数据库，包括大约500万患者。

结果

关键- AI/ML结合临床知识产生了强有力的结果，比标准的流行病学方法好2.5倍，比基于科尔的规则好5倍。

挑战和注意事项-虽然AI/ML可以是一个强大的工具，可以帮助检测罕见疾病，但有一些事情需要考虑。考虑到患有罕见疾病的患者数量很低，运行AI/ML的数据集需要非常大，才能有足够的数据来开发一种算法，准确地识别患有这种疾病的患者，否则该算法有识别假阳性的风险，也就是说，确定那些没有患病的病人是否患有那种特殊的罕见疾病。其次，该算法需要对来自与用于检测罕见疾病患者的应用数据集相同的数据集的样本进行“训练”。必须使用适当的策略，以确保某些偏差不会被放大，例如，针对城市患者群体训练的算法可能不适用于非城市人群。

进一步优化使用AI / ml进行稀有疾病检测，IQVIA测试了图案增强。被称为柯南，互补模式增强使用对抗性学习的概念，其中机器学会区分假阳性。首先，发电机学会创建假但可能的患者样本。然后疾病检测器试图区分阳性和阴性患者样品。在发电机和疾病探测器之间建立一种方法，以训练疾病探测器。在此培训之后，疾病探测器可用于检测稀有疾病患者。在现实世界数据上运行此过程提供了强烈的结果。可以阅读全文这里．

确定疾病流行率

AI / mL也已成功地用于确定可能不一定是罕见的诸如心血管或免疫疾病的疾病的患病率。可以生成信息以进一步填补知识中的任何特定差距，允许对疾病的更全面了解。

案例分析

挑战- 客户希望了解加拿大人口中慢性心力衰竭的患病率，因为估计是由基于医院的数据或具有有限覆盖的数据库。

解决方案- IQVIA开发了一种预测分析模型，利用电子病历数据预测心力衰竭处方模式。使用约15%心衰患者的数据集对算法进行了测试，以建立模型的准确性、阳性和阴性预测值，即确定的患者有疾病或没有疾病的可能性。然后，该算法被应用于一个国家数据库，以估计心力衰竭的患病率。

关键- 研究中共有1,515名患者确定心力衰竭的患病率。该模型的总体精度为80％，灵敏度为65％，特异性为89％，PPV为81％和79％NPV。当算法应用于≥40岁的患者时，该研究估计约650,000名患者，与文献估计与590,416和626,199名患者一致。

结论AI/ML的出现为数据挖掘和证据生成开辟了一个领域，以帮助解决复杂问题。IQVIA是全球领导者，凭借我们在Real World Evidence领域的专业知识，我们可以帮助我们的客户继续推动创新，最终为患者带来积极的结果。

参考文献

[1]orphanet，“关于罕见疾病，”orphanet加拿大，2017年。[在线的］．
[２]“关于电源线，”加拿大罕见疾病组织，[在线的］．[2020]访问。
［3］《罕见病诊断的全球挑战》。
［4］《数量上的罕见疾病》美国生物制药公司，[在线的］．