Недавнее исследование, опубликованное в JAMA Health Forum, продемонстрировало эффективность применения машинного обучения для более точного распределения медицинских ресурсов во время пандемий и других кризисов. Новый метод помог снизить ожидаемое количество госпитализаций на 27% по сравнению с традиционными способами.
Ранее медицинские учреждения часто использовали принцип «первый пришел — первый обслужен» или историю болезни пациента для назначения лечения. Однако такие методы не всегда учитывают сложные взаимодействия при приеме лекарств и могут упускать тех, кто мог бы получить наибольшую пользу от лечения.
Ученые из Университета Колорадо, разработали систему распределения на основе машинного обучения, которая использует данные о том, как отдельные пациенты получают разную пользу от лечения, что может предоставить врачам, системам здравоохранения и чиновникам более точную информацию в режиме реального времени, чем традиционные модели оценки распределения.
Метод Policy Learning Trees (PLTs) был протестирован на распределении нейтрализующих антител при COVID-19 и показал значительное улучшение по сравнению с традиционными системами.