健康数据可以全球范围内进行监测，并需要转化为可采取行动的指标以预防死亡。许多人在使用互联网健康资源诊断不同疾病时遇到困难，这些资源可能既昂贵又耗时[1]。健康对人们的生活质量有着重要影响。享受日常任务、追求有意义的目标以及获得成就感都依赖于总体健康状况。保持良好的健康状态对于过上幸福、成功的生活至关重要。健康是一种无价的资源，需要通过预防性护理来精心保护。医疗保健[2]至关重要，因为它有助于维持生命、减少疾病和死亡、提高工作场所的生产力、促进健康公平、帮助人们为紧急情况做好准备、推动创新和研究，并改善公共卫生监测[3]。根据世界卫生组织的数据，近几十年来全球人口的整体生存率有所提高，平均预期寿命从20世纪50年代到现在有所增长。传统的医疗保健[4]是指基于既定临床理解和专业知识创建和不断改进的实践、程序和系统，这些可以在医院、诊所和私人诊所等场所找到。传统医疗模式存在诸多缺点，如访问受限、护理碎片化、等待时间长、费用高昂，以及过于侧重于疾病治疗而非预防。此外，在使用数据和技术方面也存在困难，这阻碍了护理服务的创新和效率提升。为患者提供先进的医疗保健、提供个性化治疗并利用突破性技术至关重要。机器学习[5]在复杂数据分析、决策辅助、影像分析改进以及工作自动化方面发挥着重要作用，所有这些都有助于提供更高效和有效的医疗服务。通过提供适当的医疗保健，可以显著减少可避免的死亡人数并改善社区的整体健康状况。导致死亡和残疾的因素可以分为三大类：传染性疾病（包括传染病、孕产妇和营养障碍）、非传染性疾病（包括慢性疾病）以及与伤害相关的原因（包括事故）。1950年出生的人平均预期寿命仅为46.5年，而到2019年这一数字上升到了73年。根据世界卫生组织的预测，到2048年该组织成立100周年时，全球出生时的预期寿命预计将达到77年。人类寿命的巨大提升反映了过去一个世纪流行病学实践的快速变化。这一全球性的转变表现为疾病负担的转变，即从由传染病引起的高死亡率转向长期存在的慢性非传染性疾病（NCDs）的高发。
为了改善医疗保健[6]、[7]、[8]并减少每个国家中本可避免的死亡人数，有必要全面了解导致人们死亡的因素，以便有效适应不断变化的流行病学状况。观察结果可以总结如下：
- •
传统医疗保健存在访问受限和成本高昂等局限性。
- •
由机器学习支持的先进医疗保健可将正常系统的患者治疗效果准确性提高至80%，个性化治疗效果提高至70%。
- •
充足的医疗保健供应可以将可避免的死亡人数减少至少90%。
- •
导致死亡和残疾的因素包括传染病、非传染性疾病和与伤害相关的原因。
医疗保健领域是机器学习可能对社会产生广泛影响的一个特定领域。可穿戴技术市场的迅速扩张包括带有传感器的手表和健身追踪器等设备。在分析持续收集的大量健康数据时，机器学习变得越来越普遍[9]。机器学习或许能解决医疗成本上升的问题，以及改善患者与医生之间关系的挑战。医学领域的许多应用都可以利用机器学习和大数据解决方案。这些应用帮助医疗专业人员为患者制定更个性化的处方或治疗方案，同时帮助患者决定是否预约随访以及预约时间。在开发模型时，一种称为“机器学习”的数据分析形式自动化了模型构建过程。需要注意的是，我们并不是指导机器以特定方式搜索信息，而是教会机器应用特定算法来揭示之前隐藏的见解。由于机器学习的持续性质，机器可以在面对新情况和数据时调整其流程和输出[10]。在医疗保健领域，大量数据已经变得可用，包括电子病历（EMRs），这些病历可以以结构化或非结构化格式存储数据[11]。结构化健康数据是指可以在数据库中轻松分类的信息，涵盖患者体重、体温以及头痛、胃部不适等常见症状等统计信息[12]。而大部分医疗数据是非结构化数据，存在于各种笔记、报告、出院摘要[13]、图片以及视频和音频记录中。量化和分析医疗专业人员与患者之间的对话极其困难，因为这种对话具有高度个性化且方向多样[14]。本综述的主要目的是评估当前的医疗保健状况，重点关注整合机器学习等技术以提高诊断准确性、个性化治疗计划和整体健康结果。本文旨在识别传统医疗系统的局限性，确定导致死亡和死亡的因素，并探讨如何解决这些问题以减少可避免的死亡并改善公共卫生结果。通过全面回顾现有文献，本文旨在揭示医疗技术改变医疗保健和改善患者护理的潜力。
本文的其余部分安排如下：第2节描述研究背景，第3节介绍文献综述，第4节阐述提出的方法论，第5节聚焦实施研究，第6节进行讨论，最后第7节总结本文的未来发展方向和局限性。
