یک تحقیق U of A نشان می دهد ، یادگیری ماشینی می تواند اطلاعات موجود در داده های بهداشت عمومی را پر کند

بر اساس تحقیق منتشر شده در این هفته ، یک ابزار جدید یادگیری ماشین می تواند به پر کردن شکاف های قابل توجهی در داده های بهداشت عمومی کانادا کمک کند.

این برنامه یک چارچوب یادگیری ماشینی است که اطلاعات قومیت و وضعیت بومی را در پرونده های بهداشتی کانادا پیدا می کند. از این برنامه برای تجزیه و تحلیل نام و مکان 4.8 میلیون نفر در سرشماری سال 1901 کانادا با استفاده از نام پاسخ دهندگان ، هجی ، آوایی و موقعیت مکانی ، از جمله سایر جزئیات ، برای پیش بینی قومیت آنها استفاده شده است.

Kai On Wong ، دانشمند ارشد داده در مرکز تحقیقات و تحقیقات بالینی شمال آلبرتا ، گفت که وی پس از مشاهده شکاف در داده های بهداشتی کانادا هنگام کار در دولت و برای گروه های مختلف تحقیقاتی ، از ایجاد این برنامه الهام گرفته است.

وونگ ، متخصص اپیدمیولوژیک در دانشگاه گفت: “اگر ما این اطلاعات را نداشته باشیم ، نمی توانیم این نوع سوابق را مطالعه کنیم و نمی توانیم به طور مداوم و به موقع در اکثر این پایگاه های اطلاعاتی بگوییم که کدام گروه ها نتایج سلامتی بدتری را تجربه می کنند.” از آلبرتا.

ونگ گفت ، پر كردن خلا the موجود در سوابق بهداشتی می تواند به محققان و مقامات بهداشت عمومی اجازه دهد تا نتایج بهتری را در بخشهای مختلف مردم بررسی ، نظارت و پیگیری كنند.

در طول کار تحقیقاتی خود ، وونگ متوجه شده است که داده ها در مورد قومیت و وضعیت بومی در کانادا جمع آوری نمی شود ، در مقایسه با سوابق بهداشتی آمریکا. این اطلاعات اغلب در پایگاه های اطلاعاتی ردیابی بیماریهای حاد و مزمن گزارش نمی شوند.

وونگ گفت: “این واقعاً مانعی دارد که ما می توانیم در مورد آن بدانیم و چقدر می توانیم قومیت را جدا کنیم ، که ابعاد بسیار مهمی برای اطلاعات تحقیقات بهداشتی است.”

ونگ گفت ، با استفاده از یادگیری ماشینی برای پر كردن خلا، ، به محققان اجازه می دهد كه بیشتر از سوابق موجود بیاموزند تا اینکه در سطح جمعیت ، گران تر و وقت گیرتر باشند.

با نگاه به جلو ، وونگ گفت كه او توصیه می كند این ابزار را با استفاده از اطلاعات جدیدتر سرشماری و به كار بردن صحت آن هنگام استفاده در سایر پرونده های بهداشتی ، به روز كنید.