임상 결정 지원을 위한 기계 학습: 심혈관 이미징의 도전과 기회

임상 문제를 겨냥한 기계 학습(ML) 접근법의 사용은 심장학에서 임상 결정 지원에 혁신을 가져올 것으로 기대되고 있습니다. 이러한 도구의 성공은 임상의가 결정을 내리기 위해 사용하는 기존 경로의 내재적 과정에 대한 이해에 달려 있습니다. 이 경로와의 평행성에서, ML은 네 가지 수준에서 영향을 미칠 수 있습니다: 데이터 수집, 주로 가능한 한 적은 학습 곡선으로 표준화되고 고품질의 정보를 추출하여; 기능 추출, 의료 전문가가 원시 데이터에서 지루한 측정을 수행하는 부담에서 벗어나게 하여; 해석, 복잡하고 이질적인 데이터를 소화하여 환자의 상태에 대한 이해를 증진시키고; 결정 지원, 이전 단계를 활용하여 임상 결과, 치료 반응을 예측하거나 특정 개입을 추천하는 것입니다. 본 논문은 해석 및 결정 지원의 두 가지 후속 작업과 관련된 현재 임상 상태 및 도전 과제를 논의하고, 학습 과정, 감사 가능성/추적 가능성, 시스템 인프라, 심혈관 이미징의 임상 프로세스 내 통합과 관련된 도전 과제도 다룹니다.