使用AI ML生成真实的证据

可以使用AI/ML的两个例子包括罕见的疾病检测和了解疾病的患病率。

罕见疾病检测的机会和挑战

已经发现了六到七千个罕见疾病[1]，十二分之一的加拿大人患有罕见疾病[2]。80％的稀有疾病的起源是遗传[3] [4]，大约需要7。3年才能诊断[4]。

由于识别和诊断罕见疾病的挑战，患者经常不受治疗几年，从而进一步恶化了健康和整体生活质量。必威手机APP此外，即使被诊断出患者，他们的疾病也可能发展为不再有效的药物。这可能导致需要昂贵的医疗资源来帮助患者进行疾病的持续治疗。此外，ICD-10代码可能不是具体的，医生可以选择最能代表症状的代码。因此，罕见的疾病在编纂中并不具体，并且患者可能会根据一项代码进行分组。所有这些都可能导致对患者的护理和恶化。

因此，至关重要的是要迅速确定这些患者，以便可以开始治疗。发生这种情况越早，他们的疾病越早可以有效地管理，从而导致更好的患者结局和医疗资源利用的潜在减少。必威手机APP

但是，鉴于诊断的模棱两可，识别这些患者是一项挑战。这是可以应用AI/ML强度的地方。AI/ML可以理解并不总是显而易见的复杂模式，治疗和关联，并开发出一种算法，以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，以产生最大的值。

案例分析

挑战- IQVIA与一位想了解早期疾病检测算法是否可以使用未诊断患有罕见疾病的患者的客户合作。

解决方案- IQVIA进行了一项研究，将混合临床AI方法与完全数据驱动的AI和基于KOL的知识进行了比较。从初级和专业护理数据库中利用数据，包括大约500万患者。

结果

关键要点- AI/ML与临床知识相结合产生了强大的结果，并且是标准流行病学方法的两倍半倍，并且是基于KOL的规则的五倍。

挑战和考虑- 虽然AI/ML可以是可以帮助罕见疾病检测的强大工具，但需要考虑一些事情。鉴于患有罕见疾病的患者数量少，因此运行AI/ML的数据集需要非常大，才能拥有足够的数据来开发准确鉴定患有该疾病的患者的算法，否则该算法会承担风险识别误报，即确定没有这种疾病的患者患有特殊的罕见疾病。其次，该算法需要在与应用数据集同一数据集中的样品上“训练”，该数据集将用于检测患有罕见疾病的患者。必须使用适当的策略来确保不放大某些偏见，例如对城市患者人群培训的算法可能不适用于非城市人群。

为了进一步完善AI/ML用于罕见疾病检测的使用，IQVIA测试了模式增强。互补模式增强被称为柯南，使用了对抗性学习的概念，在这种概念上，机器学会了区分假阳性。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正患者样本和阴性患者样本。在发电机和疾病检测器之间建立了一种方法来训练疾病检测器。训练后，疾病检测器可用于检测罕见疾病患者。在现实世界数据上运行此过程提供了很大的结果。可以阅读完整的纸张这里。

确定疾病的患病率

AI/ML也已成功用于确定不一定罕见的疾病患病率，例如心血管或免疫疾病。可以生成信息以进一步填补知识中的任何特定空白，从而使人们对疾病有更全面的了解。

案例分析

挑战- 客户想了解加拿大人口中慢性心力衰竭的患病率，因为估计是来自医院数据或覆盖率有限的数据库。

解决方案- IQVIA开发了一种预测分析模型，以使用电子病历中的数据来预测心力衰竭处方模式。使用大约15％的心力衰竭患者的数据集对该算法进行测试，以确定模型的准确性，正和阴性预测值，即患者鉴定出患有疾病或没有疾病的可能性。然后将算法应用于国家数据库，以估计心力衰竭的患病率。

关键要点- 研究中总共包括1,515例患者，以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89％，PPV 81％和79％的NPV。当将算法应用于年龄≥40岁的患者时，该研究估计约650,000名患者与文献估计为590,416和626,199例患者。

结论- AI/ML的出现为数据挖掘和证据生成的可能性开辟了一个领域，以帮助解决复杂的问题。伊克维亚（Iqvia）是全球领导者，凭借我们在现实世界证据方面的专业知识，我们可以帮助我们的客户继续推动创新，最终导致积极的患者成果。

参考

[1]orphanet，“关于罕见疾病”，加拿大orphanet，2017年。在线的]。
[2]“关于绳索”，加拿大罕见疾病组织，[在线的]。[访问2020]。
[3]“罕见疾病诊断的全球挑战”。
[4]美国的生物制药公司，“稀有疾病”，[在线的]。