数据：这是推动医疗保健进入新时代的原因

医疗保健中的数据源变得越来越复杂且数量众多，传统的数据源（电子病历）开始得到广泛的应用，这完全保证了与临床医生和患者互动相关的结构化数据的可用性：药物使用，诊断历史实验室结果以及生命体征的观察，非结构化数据以案例记录和图像解释的形式到达，消费者技术和应用的生态系统也带来了新的数据来源：患者报告的情绪，身体健康和食物消费数据，位置和环境噪声的记录，甚至与技术交互的指标–登录，打字速度，选择写作时的单词。这导致用于医疗保健应用程序的数据丰富而令人眼花缭乱。

行政管理：医疗ML的前线

医疗保健的行政负担是美国在投资与收益方面落后于其他的原因之一，管理非常适合大数据技术和机器学习：它可以通过比机器人流程自动化或规则驱动的工作流更细微的扩展来提高桌面效率，ML工具能够以人类无法接受的速度审查和批准成批的事先授权请求-医疗保健提供者对特定治疗计划的保险人的预先通知，经过对先前审阅者行为的培训，该系统可以突出显示导致其做出决定的图表区域，终验证取决于临床医生，这种人机合作提请注意一个重要的需要在模型结果中：突出其信号源的系统不仅是便利，而且是重要的输出，临床医生审阅者可以根据模型强调的风险因素选择不同的措施。

广告和娱乐行业已推动了对机器学习技术的不可思议的投资

基于购买偏好对消费者进行分层和定位的相同技术无缝地迁移到了人口管理，表型和聚类等技术有助于发现相似的病例，以突出治疗计划或大规模靶向治疗的成员，当试图了解其活动可能不是基于先前行为的成员时，这种情况明显，举例来说：一些经常使用急诊室等服务的成员可能会逐年使用，表型分析可以帮助强调那些从“无利用”过渡到“高利用”的成员，建立风险状况，以帮助健康计划根据其特征向成员提出建议，

机器学习模型已经成功地唤起了人们的注意，这些成员的病情可能会越来越严重

这为重要的成本用例奠定了基础，预测可能会导致并发症发作的疾病状况，可以使医疗保健提供者有更多时间来管理根本原因并就改变生活方式向成员提供咨询，对这些事件的预测已经从简单回归到更复杂的时间序列模型，该模型可以检测和重新预测其预测是否因人口行为而偏离或偏离。

医疗保健中的大数据技术因其在对向开具账单的医师中对欺诈

寻求异常值和异常值的数据科学：那些表现不佳的医生在哪里？在什么时候，该医生的行为计费方式与其他成千上万的医疗保险提供者脱节？对欺诈，浪费和滥用的检测是一个横跨管理，使用和成本的用例，它也适用于卫生系统，工作流效率低下设施之间的协议不一致以及供应链有损，都可以从这些异常值和异常检测技术中受益。

ML：医疗保健管理，利用率和成本的下一个领域

随着技术的日新月异和每天都有新的用例，重要的是周到地应用这些技术，尽管行政用例可能没有与临床需求相同的时间敏感性，但它们带有道德风险，必须对具有代表性的人群进行模型训练，并经常检查模型是否存在偏差，模型作者和采用过程中的所有利益相关者必须对用户进行模型限制方面的培训，以确保结果透明：用户必须了解模型为何提出建议，或获得足够的信息以做出相同的决定。借助适当的治理，机器学习的功能将极大地有益于用例医疗保健管理，利用率和成本。