跟之前撰寫的另一篇文章機器學習在實驗室醫學的應用中，這一篇刊登在新英格蘭雜誌的文章，算是由黃金陣容提出的看法，通訊作者Isaac Kohane是美國哈佛大學醫療資訊的資深教授，另一個，Jeffrey Dean則是google brain的負責人，這兩個人在醫療和資訊領域分別佔有重要的角色，讓這篇文章格外引人注目。在這集的文章中，還有編輯和通訊作者Issac Kohane的訪談和一隻影片，文章的內容算是精實。

本篇文章分成幾個部分：

• 簡介：醫療場域的問題和機器學習可以給予的解法
• 解釋機器學習的定義 Machine Learning Explained
• 機器學習在臨床場域中的應用How Machine Learning Can Augment the Work of Clinicians
  • 預後Prognosis
  • 診斷Diagnosis
  • 治療Treatment
  • 臨床工作流Clinician workflow
  • 擴大臨床專家的可近性Expanding the availability of clinical expertise
• 重要挑戰 Key challenges
  • 高品質的資料 Availability of high-quality data
  • 在使用模型中可能的問題Learning from undesirable past practices
  • 法律規範和安全監管Expertise in regulation, oversight, and safe use
  • 發表的模式Publications and dissemination of research
• 結論 Conclusion

醫療場域中常見的問題是病人往往需要多處去詢問，以便能轉診給特定問題的專家，來處理他的問題，假如可以讓病人更容易地獲得這些專家們的經驗，在單一次的診察中獲得，或是讓基層醫師能獲得醫學中心特定領域的經驗支持，那這樣可以改善目前這些常見的困擾，而機器學習便是一個可以發揮作用的科技。

機器學習的重點在於用演算法是基於資料或是案例，而非寫好的規則(rule-based)，在這前提下，其實機器學習是個包含很廣的，裡頭很多方法都是從統計學而來的，只是加上資訊工程。(推薦這本Computer Age Statistical Inference，裡頭有蠻多統計學家對於這些事物的看法。)

There is no bright line between machine-learning models and traditional statistical models. However, sophisticated new machine-learning models are well suited to learn from the complex and heterogeneous kinds of data that are generated from modern clinical care, such as medical notes entered by physicians, medical images, continuous monitoring data from sensors, and genomic data to help make medically relevant predictions.

如何使用機器學習？

機器學習是個大概念，裡面有許多不同的模型，所以重點就變成要根據資料的特性來挑選適合的算法，以便達到理想的結果。

這過程可以分成大部分：1. 定義清楚這模型要完成的任務和目標 2. 模型的訓練方式 3. 如何評估這個模型。

這篇有提到的一些有趣的想法：

• 臨床流程的改善
• 病人主導的資料應用系統(Patient-controlled application programming interface)
• 擴增臨床人員的技能
• 相關的規範和品管
• 如何讓這領域的發表能更容易讓醫療領域的研究人員觸及

這篇文章裡面可以看到蠻多Isaac Kohane教授過去所推動的蠻多概念，比如統一的醫療資訊交換系統FHIR，或者是病患為主的應用介面，或是應用程式如何改善傳統的醫療流程等等問題。