利用深度學(xué)習(xí)的力量可以更好地預(yù)測急診科的患者入院率和流程。使用針對高維數(shù)據(jù)設(shè)計的深度學(xué)習(xí)模型，KAUST研究人員表明，可以從復(fù)雜的醫(yī)院記錄中預(yù)測急診科的人滿為患。“可變自動編碼器”深度學(xué)習(xí)模型的這種應(yīng)用是一個示例，說明了如何使用機(jī)器學(xué)習(xí)來解釋和提取難以理解的復(fù)雜數(shù)據(jù)集的含義，這些數(shù)據(jù)集對于人類來說太龐大或復(fù)雜。

機(jī)器學(xué)習(xí)是人工智能(AI)的重要方面，涉及使用訓(xùn)練數(shù)據(jù)訓(xùn)練AI模型。例如，一個AI模型可以通過使用包含數(shù)千種手寫數(shù)字版本的數(shù)據(jù)集進(jìn)行訓(xùn)練來學(xué)習(xí)識別三號圖像。當(dāng)一個簡單的神經(jīng)網(wǎng)絡(luò)模型(包含接受輸入，應(yīng)用規(guī)則并產(chǎn)生輸出的互連“神經(jīng)元”)暴露于更多訓(xùn)練數(shù)據(jù)并完善每個神經(jīng)元的規(guī)則時，將變得越來越準(zhǔn)確。

但是，通過將神經(jīng)元的隱藏中間層添加到這些網(wǎng)絡(luò)中，可以提示模型自學(xué)習(xí)輸入數(shù)據(jù)中的關(guān)系，而無需事先指定規(guī)則。這樣的模型(稱為深度學(xué)習(xí)模型)之所以功能強(qiáng)大，是因為它們首次使我們能夠解釋以前過大，異構(gòu)或多參數(shù)的數(shù)據(jù)，從而無法以任何其他方式進(jìn)行有意義的分析。

KAUST的研究科學(xué)家Fouzi Harrou說：“在學(xué)術(shù)界和工業(yè)界，深度學(xué)習(xí)已成為建模和預(yù)測研究中的一項有前途的研究領(lǐng)域。” “這些模型可以通過人工指導(dǎo)從大量數(shù)據(jù)集中自動提取信息，例如變量之間的隱式關(guān)系，復(fù)雜的模式識別以及時序數(shù)據(jù)中相關(guān)性的描述。”

Harrou與KAUST的統(tǒng)計學(xué)家Ying Sun以及法國和阿爾及利亞的合作者一起，將一種特別有前途的基于深度學(xué)習(xí)的模型稱為變分自動編碼器(VAE)，用于預(yù)測患者入院和流經(jīng)兒科醫(yī)院急診室的問題。

Harrou說：“ VAE的一個特別吸引人的特征是它們能夠?qū)⒏呔S或多參數(shù)數(shù)據(jù)壓縮為低維表示，從而能夠靈活地生成定量比較。” 結(jié)果表明，VAE方法比其他模型表現(xiàn)更好，提供了一系列見解，例如患者入院高峰日和因果關(guān)系。