麻省理工學(xué)院的計算機(jī)科學(xué)和人工智能實驗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)測治療的結(jié)果。

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

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

　　其中一個團(tuán)隊創(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)，從生命體和實驗室到人口統(tǒng)計學(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)行實時預(yù)測，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)。這個月在波士頓的醫(yī)療機(jī)器學(xué)習(xí)會議上已發(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)測可行動的干預(yù)措施。”

　　另一個團(tuán)隊開發(fā)了一種稱為“EHR轉(zhuǎn)移模型”的方法，團(tuán)隊把來自不同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)隊證明了，可以在一個EHR系統(tǒng)上訓(xùn)練死亡率和延長逗留時間的預(yù)測模型，并用于在另一個EHR系統(tǒng)中進(jìn)行預(yù)測。

　　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屆國際數(shù)據(jù)挖掘大會（KDD 2017）已發(fā)布。

　　麻省理工學(xué)院計算生理學(xué)實驗室，使用來自重要護(hù)理數(shù)據(jù)庫MIMIC的數(shù)據(jù)，對這兩種模型進(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)，對于預(yù)測患者健康結(jié)果的自動化過程至關(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，而這項工作預(yù)測了可行的治療方法。“此外，該系統(tǒng)能夠使用單一模型來預(yù)測許多結(jié)果。”

　　ICU Intervene專注于預(yù)測涵蓋各種關(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。

　　每個小時，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（然后評估進(jìn)一步治療）。

　　重要的是，ICU Intervene可以對未來做出預(yù)測。例如，該模型可以預(yù)測6小時后，患者是否需要呼吸機(jī)，而不是僅需30分鐘或1小時后才能使用呼吸機(jī)。該團(tuán)隊還專注于為模型的預(yù)測提供推理，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)測模型往往被輿論批評，”他沒有參與這篇論文。“然而，這些作者高度準(zhǔn)確地預(yù)測了醫(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)測的可解釋性。”

　　團(tuán)隊發(fā)現(xiàn)，該系統(tǒng)在預(yù)測干預(yù)措施方面優(yōu)于以前的工作，并且特別擅長于預(yù)測抗利尿激素的需求，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，例如為什么一個患者可以減少類固醇，或者為什么另一個患者可能需要像內(nèi)鏡檢查。

　　▍EHR轉(zhuǎn)移模型

　　利用ICU數(shù)據(jù)的另一個重要考慮因素是存儲方式，以及當(dāng)存儲方法發(fā)生變化時會發(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)的事實可能會為數(shù)據(jù)分析和預(yù)測帶來重大問題。

　　這是EHR轉(zhuǎn)移模型擅長的。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(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EHR平臺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_。EHR模型轉(zhuǎn)移旨在確保該模型，能夠預(yù)測患者ICU需求的各個方面，例如長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)計了一個漂亮的策略，在醫(yī)學(xué)本體中使用先前的知識，在兩個網(wǎng)站之間共享，允許在一個網(wǎng)站上訓(xùn)練的模型在另一個網(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，來改善預(yù)測模型的可移植性。

　　通過EHR轉(zhuǎn)移模型，該團(tuán)隊測試了其模型預(yù)測兩種結(jié)果的能力：死亡率和長期入院治療的需要。他們在一個EHR平臺上進(jìn)行了訓(xùn)練，然后在不同的平臺上測試了其預(yù)測。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)測模型更好。

　　未來，EHR模型轉(zhuǎn)移小組計劃，對其他醫(yī)院和護(hù)理機(jī)構(gòu)的數(shù)據(jù)和EHR系統(tǒng)進(jìn)行評估。