摘要

在过去的几十年里，分析为彻底改变医疗保健提供了希望，提供更有效、以患者为中心和个性化的护理。随着越来越多的数据被收集、计算性能得到提高以及新算法的开发，机器学习已被视为推进医疗保健服务的关键分析工具。然而，直到最近，尽管人们对大数据的潜力充满热情，但只有少数例子影响了当前的临床实践。本论文提出了预测性和规范性方法的组合，这些方法将有助于向个性化医疗的过渡。

我们提出了新的机器学习算法来解决主要的数据缺陷，如缺失值、审查观察和未观察到的反事实。利用各种数据源，包括健康和索赔记录、纵向研究和非结构化医疗报告，我们展示了分析在心血管和脑血管疾病背景下的潜在好处。为了推动这些方法的采用，我们在算法保险领域奠定了基础，提出了一个量化框架来估计机器学习模型的诉讼风险。这项工作强调可解释性和促进临床医生参与融入医疗保健系统的模型设计。

第一部分介绍了机器学习和优化交叉点的缺失数据插补、聚类和生存分析的数据驱动算法。第二部分强调了医学领域的规范性和预测性分析的潜力。我们为个性化处方开发了一个新框架，并将其应用于冠状动脉疾病的治疗。第二部分还介绍了可以支持早期诊断和改善中风患者管理的预测模型。最后，第三部分提出了一种新的风险评估方法，使医疗机构能够管理因实施分析决策工具而产生的风险。

论文链接：

https://dspace.mit.edu/handle/1721.1/139482

 

内容中包含的图片若涉及版权问题，请及时与我们联系删除