麻省理工學(xué)院的計(jì)算機(jī)科學(xué)和人工智能實(shí)驗(yàn)室的新研究利用不同類型的醫(yī)療數(shù)據(jù)，包括電子健康記錄，來預(yù)測(cè)治療的結(jié)果。

　　醫(yī)生經(jīng)常被來自圖表、測(cè)試結(jié)果和其他指標(biāo)的信號(hào)所困擾。在進(jìn)行實(shí)時(shí)治療決策時(shí)，可能難以整合和監(jiān)測(cè)多個(gè)患者的數(shù)據(jù)，特別是當(dāng)醫(yī)院的數(shù)據(jù)記錄不一致時(shí)。

　　麻省理工學(xué)院的計(jì)算機(jī)科學(xué)和人工智能實(shí)驗(yàn)室（CSAIL）的研究人員在一則新的論文中，探討了計(jì)算機(jī)如何幫助醫(yī)生做出更好的醫(yī)療決策。

　　其中一個(gè)團(tuán)隊(duì)創(chuàng)建了一種名為“ICU Intervene”的機(jī)器學(xué)習(xí)方法，該方法需要大量的重癥監(jiān)護(hù)室（ICU）數(shù)據(jù)，從生命體和實(shí)驗(yàn)室到人口統(tǒng)計(jì)學(xué)，以確定不同癥狀需要哪些治療方法。

　　該系統(tǒng)使用“ 深度學(xué)習(xí) ”進(jìn)行實(shí)時(shí)預(yù)測(cè)，從過去的ICU案例中學(xué)習(xí)，為重癥監(jiān)護(hù)提出建議，同時(shí)解釋這些決定背后的原因。

　　ICU Intervene由Suresh、本科生Nathan Hunt、博士后Alistair Johnson、研究員Leo Anthony Celi、麻省理工學(xué)院教授Peter Szolovits和博士生Marzyeh Ghassemi共同開發(fā)。這個(gè)月在波士頓的醫(yī)療機(jī)器學(xué)習(xí)會(huì)議上已發(fā)布。

　　ICU Intervene論文的主要作者，Harini Suresh博士說：“該系統(tǒng)可能有助于ICU的醫(yī)生，這是一個(gè)高強(qiáng)度、高需求的環(huán)境。“目標(biāo)是利用醫(yī)療記錄中的數(shù)據(jù)，來改善醫(yī)療保健并預(yù)測(cè)可行動(dòng)的干預(yù)措施。”

　　另一個(gè)團(tuán)隊(duì)開發(fā)了一種稱為“EHR轉(zhuǎn)移模型”的方法，團(tuán)隊(duì)把來自不同EHR系統(tǒng)的數(shù)據(jù)進(jìn)行了訓(xùn)練，可以將預(yù)測(cè)模型應(yīng)用于電子健康記錄（EHR）系統(tǒng)。使用這種方法，團(tuán)隊(duì)證明了，可以在一個(gè)EHR系統(tǒng)上訓(xùn)練死亡率和延長(zhǎng)逗留時(shí)間的預(yù)測(cè)模型，并用于在另一個(gè)EHR系統(tǒng)中進(jìn)行預(yù)測(cè)。

　　EHR轉(zhuǎn)移模型由主要作者Jen Gong和Tristan Naumann、CSAIL的博士生以及Szolovits和John Guttag共同研發(fā)，他是Dugald C. Jackson電氣工程教授。

　　EHR轉(zhuǎn)移模型在加拿大哈利法克斯舉行的第23屆國(guó)際數(shù)據(jù)挖掘大會(huì)（KDD 2017）已發(fā)布。

　　麻省理工學(xué)院計(jì)算生理學(xué)實(shí)驗(yàn)室，使用來自重要護(hù)理數(shù)據(jù)庫MIMIC的數(shù)據(jù)，對(duì)這兩種模型進(jìn)行了訓(xùn)練，其中包括來自大約40000名重癥監(jiān)護(hù)病人的未標(biāo)注數(shù)據(jù)。

　　▍ICU干預(yù)

　　ICU綜合數(shù)據(jù)，對(duì)于預(yù)測(cè)患者健康結(jié)果的自動(dòng)化過程至關(guān)重要。

　　Suresh說：“以前在臨床決策中的許多工作，都集中在死亡率等結(jié)果上，而這項(xiàng)工作預(yù)測(cè)了可行的治療方法。“此外，該系統(tǒng)能夠使用單一模型來預(yù)測(cè)許多結(jié)果。”

　　ICU Intervene專注于預(yù)測(cè)涵蓋各種關(guān)鍵護(hù)理需求的五種不同干預(yù)措施，如呼吸輔助，改善心血管功能，降低血壓和液體治療。

　　每個(gè)小時(shí)，系統(tǒng)從代表生命體征的數(shù)據(jù)，以及臨床病歷和其他數(shù)據(jù)點(diǎn)中提取值。所有數(shù)據(jù)都用值表示，表示患者距平均值多高（然后評(píng)估進(jìn)一步治療）。

　　重要的是，ICU Intervene可以對(duì)未來做出預(yù)測(cè)。例如，該模型可以預(yù)測(cè)6小時(shí)后，患者是否需要呼吸機(jī)，而不是僅需30分鐘或1小時(shí)后才能使用呼吸機(jī)。該團(tuán)隊(duì)還專注于為模型的預(yù)測(cè)提供推理，為醫(yī)生提供更多的見解。

　　斯坦福大學(xué)醫(yī)學(xué)副教授 Nigam Shah 說，“基于神經(jīng)網(wǎng)絡(luò)的深度神經(jīng)預(yù)測(cè)模型往往被輿論批評(píng)，”他沒有參與這篇論文。“然而，這些作者高度準(zhǔn)確地預(yù)測(cè)了醫(yī)療干預(yù)的開始和結(jié)束，并且能夠證明他們做出的預(yù)測(cè)的可解釋性。”

　　團(tuán)隊(duì)發(fā)現(xiàn)，該系統(tǒng)在預(yù)測(cè)干預(yù)措施方面優(yōu)于以前的工作，并且特別擅長(zhǎng)于預(yù)測(cè)抗利尿激素的需求，這是一種收緊血管并提高血壓的藥物。

　　將來，研究人員將努力改進(jìn)ICU Intervene，以便能夠給予更多的個(gè)性化護(hù)理，并為決策提供更先進(jìn)的推理，例如為什么一個(gè)患者可以減少類固醇，或者為什么另一個(gè)患者可能需要像內(nèi)鏡檢查。

　　▍EHR轉(zhuǎn)移模型

　　利用ICU數(shù)據(jù)的另一個(gè)重要考慮因素是存儲(chǔ)方式，以及當(dāng)存儲(chǔ)方法發(fā)生變化時(shí)會(huì)發(fā)生什么。現(xiàn)有的機(jī)器學(xué)習(xí)模型需要以一致的方式編碼數(shù)據(jù)，因此醫(yī)院經(jīng)常改變其EHR系統(tǒng)的事實(shí)可能會(huì)為數(shù)據(jù)分析和預(yù)測(cè)帶來重大問題。

　　這是EHR轉(zhuǎn)移模型擅長(zhǎng)的。該方法適用于不同版本的EHR平臺(tái)，使用自然語言處理來識(shí)別跨系統(tǒng)編碼的臨床概念，然后將其映射到一組常見的臨床概念（如“血壓”和“心率”）。

　　例如，一個(gè)EHR平臺(tái)中的病人可能正在轉(zhuǎn)換醫(yī)院，并將其數(shù)據(jù)傳輸?shù)讲煌愋偷钠脚_(tái)。EHR模型轉(zhuǎn)移旨在確保該模型，能夠預(yù)測(cè)患者ICU需求的各個(gè)方面，例如長(zhǎng)期入院治療或甚至死亡的可能性。

　　Shah說：“衛(wèi)生保健機(jī)器學(xué)習(xí)模式往往遭受外部效率低下，醫(yī)療站點(diǎn)之間的便攜性差的影響。“作者設(shè)計(jì)了一個(gè)漂亮的策略，在醫(yī)學(xué)本體中使用先前的知識(shí)，在兩個(gè)網(wǎng)站之間共享，允許在一個(gè)網(wǎng)站上訓(xùn)練的模型在另一個(gè)網(wǎng)站上表現(xiàn)良好。我很高興看到這樣創(chuàng)造性地使用編纂醫(yī)學(xué)知識(shí)，來改善預(yù)測(cè)模型的可移植性。

　　通過EHR轉(zhuǎn)移模型，該團(tuán)隊(duì)測(cè)試了其模型預(yù)測(cè)兩種結(jié)果的能力：死亡率和長(zhǎng)期入院治療的需要。他們?cè)谝粋€(gè)EHR平臺(tái)上進(jìn)行了訓(xùn)練，然后在不同的平臺(tái)上測(cè)試了其預(yù)測(cè)。發(fā)現(xiàn)EHR模型轉(zhuǎn)移優(yōu)于基線方法，并且與單獨(dú)使用EHR特異性事件相比，EHR版本的預(yù)測(cè)模型更好。

　　未來，EHR模型轉(zhuǎn)移小組計(jì)劃，對(duì)其他醫(yī)院和護(hù)理機(jī)構(gòu)的數(shù)據(jù)和EHR系統(tǒng)進(jìn)行評(píng)估。