發布日期：2017-08-30

麻省理工學院的計算機科學和人工智能實驗室采用包括電子健康數據記錄等多種類型的醫療數據以預測醫療情況。兩個團隊分別創建了“ICU 干預”和“EHR 模型遷移”機器學習方法，致力于改進患者護理條件。 醫生經常因需要察看各種圖表、測驗結果和其他指標所困擾。想要在整合與監測多個患者數據的同時做出實時治療決策是十分困難的，特別是當醫院之間數據記錄不一致時，其所造成的挑戰就更大了。 麻省理工學院的計算機科學和人工智能實驗室（CSAIL）的研究人員在一則新的文章中探討了怎樣能利用電腦幫助醫生做出更好醫療決策。 其中，一個團隊創建了一種名為“重癥監護室干預（ICU Intervene）”的機器學習方法，該方法需要大量的重癥監護室（ICU）數據，所需數據包括人的生命特征、實驗室數據、說明筆記、人口統計數據，以確定不同癥狀需要何種治療方法。該系統使用“深度學習”技術進行實時預測，從過去的 ICU 案例中學習，從而為重癥監護提出建議，同時解釋做出這些決策的原因。 有關 ICU 干預文章的主要作者 Harini Suresh 博士說：“該系統可能有助于在 ICU 中時刻待命的醫生，因為這是一個有著高壓力、高需求的環境。其目標是利用醫療記錄中的數據來改善醫療條件并對可能出現的干預情況做出預測。” 另一個團隊則開發出了“EHR 模型遷移”的方法，其對于處理來自不同 EHR 系統的數據能夠進行系統訓練，可以用于幫助應用預測模型于電子健康記錄（EHR）系統。具體來說，使用該研究團隊的這種方法，可以實現在一個 EHR 系統上訓練得出死亡率數據和延長停留時間的預測模型，并將得出的模型遷移在另一個 EHR 系統中進行預測。 ICU 干預由 Suresh 博士、Nathan Hunt、Alistair Johnson 博士后、Leo Anthony Celi 研究員、麻省理工學院教授 Peter Szolovits 和博士生 Marzyeh Ghassemi 共同開發，并于本月在波士頓醫療機器學習會議上首次提出。 EHR 模型轉移由 CSAIL 在讀博士生 Jen Gong 和 Tristan Naumann，以及 Szolovits 和電氣工程教授 John Guttag 共同研發。其在加拿大哈利法克斯的 ACM 知識發現和數據挖掘特別興趣小組上首次提出。 上述兩模型都使用了來自關鍵護理數據庫 MIMIC 的數據進行了培訓，其中的數據包括來自大約 40000 名重癥監護病人的去標識數據，并由麻省理工學院計算生理學實驗室開發。 重癥監護室（ICU）干預 整合 ICU 數據對于預測患者健康結果過程的自動化而言至關重要。 Suresh 表示：“此前，臨床決策中的許多工作都關注于死亡率等結果上，而這項工作的出現則是預測可行的治療方法。此外，該系統能夠使用單一模型預測出多種結果。” ICU 干預專注于對五種關鍵措施以小時為單位進行預測，措施涵蓋各種關鍵護理需求，如呼吸輔助、改善心血管功能、降低血壓、輸液治療。 每小時，系統從代表生命體征的數據以及臨床筆記和其他數據點中提取值。所有數據都用值表示，表示患者距平均值多遠（然后評估進一步治療）。 重要的是，ICU 干預可以對未來做出預測。例如，該模型可以預測 6 小時后患者是否需要呼吸機，而不僅僅只能預測出患者在 30 分鐘或 1 小時后需要使用呼吸機。該團隊還專注于為模型的預測提供推理，為醫生提供更多的見解。 斯坦福大學醫學副教授奈加姆·沙阿（Nigam Shah）說，“基于神經網絡的深層神經預測模型往往因其機器的身份而受到批評，然而，這些作者高度準確地預測了醫療干預的開始和結束，并且能夠實際證實其做出的預測的可解釋性。” 該團隊發現，該系統在預測干預措施方面優于從前，并且特別擅長預測血管加壓素的需要，這是一種用于收緊血管并提高血壓的藥物。 將來，研究人員將努力改進 ICU 干預，以便能夠為患者提供更多個性化護理，并為決策提供更先進的預測，例如為什么一個患者有可能逐漸減少類固醇，又或是為什么另一個患者可能需要進行內鏡檢查。 EHR 模型遷移 利用 ICU 數據的另一個重要考慮因素是其存儲方式以及當存儲方法發生變化時可能出現的情況。現有的機器學習模型需要以一致的方式編碼數據，因此醫院經常改變其 EHR 系統就可能會為數據分析和預測帶來重大問題。 這就是 EHR 模型遷移的用武之地。該方法適用于不同版本的 EHR 平臺，使用自然語言處理來識別跨系統編碼的臨床信息，然后將其映射到常見的臨床信息中（如“血壓”和“心率”）。 例如，一個 EHR 平臺中的病人可能正在轉換醫院，并需要將其數據傳輸到不同類型的平臺。EHR 模型遷移旨在確保該模型能夠保持對患者情況的預測能力，例如患者長期停留，或是出現死亡的可能性。 Shah 說：“用于醫療治療的機器學習模型往往有著系統外部效度低下、站點之間的便攜性差的缺點。而這些作者卻設計了一個精妙的策略，即在醫學本體中使用已掌握的知識，從而在兩個網站之間得出共同承認的表達，其能夠幫助模型在一網站上經過訓練后能在另一個網站上表現良好。能夠看到這樣創造性地使用編碼醫學知識來增強預測模型的可移植性，我很興奮。“ 利用 EHR 模型遷移，該團隊測試了其模型對兩種結果的預測能力：死亡率和長期住院需求。他們在一個 EHR 平臺上對模型進行了訓練，然后在不同的平臺對其預測進行了測試。發現 EHR 模型遷移優于普通方法，并且與單獨使用 EHR 特異性事件相比，EHR 預測模型能夠更好地進行數據遷移。 未來，EHR 模型遷移小組計劃對其他醫院和護理機構的數據和 EHR 系統進行評估。 本文來自于 MIT News，由億歐編譯，編譯作者曾朵。

來源：億歐