Två nya studier från avdelningen för beräkningsbiomedicin vid Cedars-Sinai fördjupar våra kunskaper om hur maskininlärning och big data kan användas för att förbättra hälso- och sjukvården och den medicinska forskningen. Båda studierna har publicerats i den peer-review-granskade tidskriften Patterns.
I den första studien använde forskarna vid Cedars-Sinai avancerade statistiska metoder för att analysera elektroniska journaler från nästan 100 000 sjukhusvistelser. Detta tillvägagångssätt identifierade läkemedel som oväntat var förknippade med höjda eller sänkta blodsockernivåer hos sjukhuspatienter.
”Våra resultat ger praktiska insikter som hjälper läkare att förutse och hantera läkemedelsrelaterade blodsockersvängningar, vilket i slutändan förbättrar blodsockersäkerheten för patienter på sjukhus”, säger Jesse G. Meyer, Ph.D., biträdande professor i beräkningsbiomedicin vid Cedars-Sinai och korresponderande författare till studien.
I den andra studien, som leddes av Cedars-Sinai, utvecklade forskarna en säker metod för att samla patientdata från flera sjukhus för forskningsstudier. Denna metod gör det möjligt för sjukhus att skicka statistiska sammanfattningar av sina patienters egenskaper, snarare än individuella hälsodata, till en central plats för analys av forskarna, vilket minskar risken för oavsiktlig avslöjande av känslig patientinformation.
Källa: Patterns (2025). DOI: 10.1016/j.patter.2025.101321
”Vår innovativa metod öppnar dörren för större, mer diversifierade studier som bättre skyddar patienternas integritet, förbättrar forskningskvaliteten och stödjer utvecklingen av effektivare behandlingar”, säger Ruowang Li, Ph.D., biträdande professor i beräkningsbiomedicin vid Cedars-Sinai och medförfattare till studien.
”Båda studierna betonar vårt unika tillvägagångssätt när det gäller att använda maskininlärning och big data inom akademisk medicin”, säger Jason Moore, Ph.D., professor och ordförande för avdelningen för beräkningsbiomedicin vid Cedars-Sinai och medförfattare till studien. ”Dessa studier främjar samarbete, vilket i slutändan leder till patientvård och forskning som drivs av data, överbryggar klyftor i resultaten och skapar ett hälsosammare liv.”
Mer information: Amanda Momenzadeh et al, Datadriven upptäckt av läkemedelseffekter på blodsockret från elektroniska journaler, Patterns (2025). DOI: 10.1016/j.patter.2025.101312
Ruowang Li et al, En engångsalgoritm utan förlust för korskohorterande lärande i analys av blandade resultat, Patterns (2025). DOI: 10.1016/j.patter.2025.101321
