В связи с появлением новых случаев заболеваний, таких как таинственная болезнь в Элуру, городе в индийском штате Андхра-Прадеш, наблюдение за инфекционными заболеваниями со стороны общественного здравоохранения становится как никогда важным.
Но зачем нужна эта слежка?
· Описание бремени и эпидемиологии болезни
· В мониторинге тенденции к контролю, искоренению и искоренению заболеваний, руководствуясь вмешательством, политикой и стратегиями программ общественного здравоохранения.
· Документирование воздействия вмешательства или прогресса в достижении определенных целей / задач общественного здравоохранения
Примечание. Приведенные ниже данные не являются фактическими и предназначены только для образовательных целей.
Основные компоненты наблюдения включают:
а) Сбор, б) Анализ, в) Распространение и г) Ответ
Давайте упростим процесс сбора и анализа, используя образец набора данных.
Шаг 1. Сбор данных
Я собрал данные со ссылкой на Комплексную программу эпиднадзора за заболеваниями.
Взглянем на наши начальные 10 данных:
Подсчет: общее количество случаев каждой болезни.
Уровень: количество заболеваний на популяцию.
Шаг 2: Анализ
Обобщая, чтобы получить количество заболеваний за год в разных местах, мы получим: -
Давайте визуализируем эти данные и проанализируем тенденцию.
Тенденции развития некоторых из самых заразных заболеваний:
а) Денге резко упал в 2013–2014 годах, почему?
б) Ветряная оспа практически не проявлялась в течение 2001–2014 гг., даже с увеличением численности населения, почему?
c) У вирусной лихорадки был самый высокий показатель роста среди других.
Точно так же давайте также визуализируем, чтобы получить плотность заболеваний в каждом месте в год, мы получим:
Среди штатов Чхаттисгарх имел самую высокую плотность заболеваемости. При этом плотность заболеваемости резко возросла с 2009 года. По сравнению с другими штатами, плотность заболеваемости почти не изменилась.
Давайте также визуализируем данные для общего количества заболеваний в каждом месте.
Результат: в Андаманских и Никобарских [AN] были зарегистрированы самые высокие показатели острых диарейных заболеваний, за ними следует Дели. У AN также был самый высокий показатель пищевого отравления, за которым следует Аруначал-Прадеш.
Теперь, переходя к волшебному разделу, давайте воспользуемся машинным обучением, чтобы предсказать будущие значения. Я использовал линейно-регрессионный анализ в статистических целях.
Для нашей цели я использую эту модель для прогнозирования будущих значений острого диарейного заболевания в Андаманских и Никобарских островах. Я взял «Год» и «Население» как независимую переменную, а «Счетчик» - как зависимую переменную.
[Примечание: количество болезней имеют еще несколько других факторов. Для упрощения нашего анализа я рассмотрел только эти переменные]
После подбора переменных в модели, давайте спрогнозируем значения тех же переменных и оценим производительность модели линейной регрессии, используя коэффициент детерминации: R2-оценка.
Результат. В нашем случае показатель R2 составил 72%, что означает, что можно указать, что 72% изменчивости зависимого выходного атрибута можно объяснить моделью, а остальные 28 % изменчивости все еще не учтен.
Забрать
Как широко говорится: «Профилактика лучше лечения», прогнозирование болезней и эпидемических вспышек приведет к раннему предотвращению возникновения болезни. Медицинские учреждения нуждаются в улучшении, чтобы можно было принимать более обоснованные решения по диагностике пациентов и вариантам лечения.
Используя образец набора данных, мы получили общее представление о:
а) Визуализация данных дает образец, который приведет к углубленному анализу. Например: в 2013–2014 годах денге не входил в число наиболее распространенных инфекционных заболеваний в Индии. Возможные ответы:
- Укрепление системы здравоохранения
- Улучшение системы медицинской информации и исследований
- Появление комаров, инфицированных бактериями (маловероятно !!)
б) Используя машинное обучение, мы можем предсказать любую вспышку заболеваний. Например: в нашем случае мы обнаружили, что количество острых диарейных заболеваний на Андаманских и Никобарских островах резко увеличится в 2014–2016 годах.
Прогнозирование заболеваний может принести пользу заинтересованным сторонам, таким как национальные программы здравоохранения и правительство. Он может идентифицировать пациентов с риском заболевания или состояния здоровья. Затем клиницисты могут принять соответствующие меры, чтобы избежать или минимизировать риск и, в свою очередь, улучшить качество медицинской помощи и избежать возможной госпитализации.
Машинное обучение в здравоохранении помогает людям обрабатывать огромные и сложные наборы медицинских данных, а затем анализировать их для получения клинических данных. Затем это может быть использовано врачами при оказании медицинской помощи. Следовательно, машинное обучение, внедренное в здравоохранение, может повысить удовлетворенность пациентов. В нашем анализе мы попытались реализовать функциональные возможности машинного обучения в здравоохранении в единой системе. Вместо диагностики, когда прогнозирование заболевания реализуется с использованием определенных алгоритмов прогнозирования машинного обучения, здравоохранение можно сделать умным.
надеюсь, вам понравится это читать :)
