如果醫療保健提供者可以準確地預測其服務的使用方式，那么他們就可以不必不必要地分配資金而節省大量資金。深度學習人工智能模型可以很好地預測給定以前的行為的未來，并且芬蘭的研究人員已經開發出了一種可以預測老年人何時以及為何使用醫療保健服務的模型。

芬蘭人工智能中心(FCAI)，阿爾托大學，赫爾辛基大學和芬蘭衛生與福利研究所(THL)的研究人員開發了一種所謂的風險調整模型，以預測老年人在醫療保健機構中尋求**的頻率中心或醫院。結果表明，新模型比通常用于此任務的傳統回歸模型更準確，并且可以可靠地預測多年來的情況變化。

風險調整模型利用了前幾年的數據，并以公平有效的方式分配了醫療保健資金。這些模型已經在德國，荷蘭和美國等國家/地區使用。但是，這是**個概念證明，即深度神經網絡具有顯著提高此類模型準確性的潛力。

阿爾托大學和FCAI的助理教授佩卡·馬丁汀(Pekka Marttinen)表示：“如果沒有風險調整模型，則病人得病率比普通人高的醫療保健提供者將受到不公平的對待。”老年人是這類患者群體的一個很好的例子。該模型的目標是在制定資助決策時考慮患者群體之間的這些差異。

研究文章的主要作者，阿爾托大學和FCAI的博士候選人Yogesh Kumar認為，結果表明深度學習可能有助于設計更準確，更可靠的風險調整模型。庫馬爾指出，擁有一個準確的模型有可能節省數百萬美元。

研究人員通過使用THL初級衛生保健就診記錄中的數據對模型進行了訓練。數據包含每位65歲以上芬蘭公民的門診信息。數據已被假名化，這意味著無法識別個人。這是研究人員**次使用該數據庫來訓練深度機器學習模型。

結果表明，訓練深度模型不一定需要龐大的數據集才能產生可靠的結果。相反，即使僅使用所有可用數據的十分之一，新模型也比簡單的基于計數的模型更好。換句話說，即使獲取相對較小的數據集也能提供準確的預測，這是一個了不起的發現，因為獲取大量醫療數據始終很困難。

``我們的目標不是將這項研究中開發的模型本身付諸實踐，而是將深度學習模型的功能與現有模型相集成，從而結合兩者的*佳方面。未來的目標是利用這些模型來支持決策并以更合理的方式分配資金。” Marttinen解釋說。

這項研究的意義不**于預測老年人去醫療中心或醫院的頻率。相反，據庫馬爾說，研究人員的工作可以很容易地以多種方式擴展，例如，僅關注診斷為需要昂貴**的**的患者群體或在國內特定地區的醫療中心。

鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播更多信息之目的，如作者信息標記有誤，請聯系我們修改或刪除，多謝。