幫助醫(yī)生做出更好的醫(yī)療決策，機器學習是如何做的？
醫(yī)生們總是會被來自圖標、測試結果和其他指標的信息所困擾。在進行實時治療決策的時候，醫(yī)生們總是很難整合、監(jiān)測多個患者的所有數據，特別是當醫(yī)院的數據記錄不一致的時候。
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，在一則新文章中探討了一個問題：計算機如何幫助醫(yī)生做出更好的醫(yī)療決策？
這個團隊創(chuàng)建了一種名為ICU干預的機器學習方法，這種方法需要大量的重癥監(jiān)護室（ICU）的數據，來確定不同癥狀需要哪些治療方法。這個系統使用了深度學習，進行實時預測，從過去的ICU案例中學習，為重癥監(jiān)護提出建議，同時還會解釋這些決定背后的原因。
博士生HarniSuresh，也是ICU干預一文的主要作者，說：這個系統可能有助于ICU的醫(yī)生在高壓力、高需求的環(huán)境下，讓他們利用醫(yī)療記錄中的數據，來改善醫(yī)療保健，并預測可實施的措施。
同時，另一個團隊開發(fā)了一種被稱為EHR模型轉移的方法，這種方法盡管是由不同EHR系統的數據進行的培訓，但還是能促進在電子健康記錄（EHR）系統上的預測模型的應用。具體來說，這種方法，可以在一個EHR系統上訓練死亡率、延長逗留時間的預測模型，并用于另一個EHR系統。
ICU干預由Suresh、NathanHunt（本科生）、AlistairJohnson（博士后）、LeoAnthonyCeli（研究員）、PeterSzolovists（麻省理工學院教授）、MarzyehGhassemi（博士生）共同開發(fā)，是在這個月的波士頓醫(yī)療機器學習會議上提出的。
EHR模型轉移是由CASIL的博士生JenGong和TristanNaumann，以及電氣工程教授Szolovists和JohnGuttag共同開發(fā)的，是在加拿大哈利法克斯的知識發(fā)現和數據挖掘特別興趣小組上提出的。
這兩種模型的培訓都使用了來自重要護理數據庫MIMIC的數據，其中包括來自大約4萬名重癥監(jiān)護病人的未確定數據，由麻省理工學院計算生理學實驗室開發(fā)的。
幫助醫(yī)生做出更好的醫(yī)療決策，www.whsntf.cn，機器學習是如何做的？
ICU干預
綜合ICU數據，對于讓預測患者健康結果的過程自動化，是非常重要的。
Suresh說：以前在臨床決策中，許多工作都集中在死亡率等結果上，而這項工作則預測了可行的治療方法。此外，這個系統能使用單一模型，來預測多種結果。
ICU干預專注于每小時預測涵蓋各種關鍵護理需要的5種不同干預措施，庫卡機器人驅動器維修，比如呼吸輔助、改善心血管功能、降低血壓、流體治療。
在每個小時，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數值。所有數據都用數值表示，表示患者距平均值的差距，來評估進一步治療方法。
重要的是，ICU干預可以對未來做出預測！比如，這個模型可以預測6小時后（而不是30分鐘或1小時后）患者是否需要呼吸機。這個團隊還專注于為模型的預測提供推力，為醫(yī)生提供更多的見解。
斯坦福大學副教授NigamShah說：基于神經網絡的深層神經預測模型，總是被業(yè)內人士批評。然而，這些作者高度準確地預測了醫(yī)療干預的開始和結束，并且能證明他們做出的預測的可解釋性。
團隊還發(fā)現，工業(yè)機器人維修，這個系統在預測干預措施方法方面，比以前的方法更出色，并且特別擅長于預測血管加壓素的需要，這是一種收緊血管、提高血壓的藥物。
將來，研究人員會努力改進ICU干預，以便給予更多的個性化護理，并為決策提供更先進的推力，比如為什么一個患者能減少類固醇，或者為什么另一個患者需要像內鏡檢查等等。
EHR模型轉移
利用ICU數據的另一個重要因素是存儲方式，以及當存儲方式發(fā)生變化是會發(fā)生什么。現有的機器學習模型，需要用一致的方式來編碼數據，因此，醫(yī)院經常改變他們的EHR系統，這可能會對數據分析和預測造成重大問題。
這就是EHR模型轉移想解決的問題。這種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概念，然后將其映射到一組常見的臨床概念（比如血壓、心率等）。
比如，一個EHR平臺中的病人，可能需要換醫(yī)院，還需要把他的數據傳輸到不同類型的平臺。而EHR模型轉移，能確保該模型能夠預測患者ICU訪問的各個方面，比如長期停留或死亡的可能性。
Shah說：機器學習模型在衛(wèi)生保健這塊，總是略顯低效、便攜性差。他們做了個不錯的設計，讓模型在一個系統接受培訓，然后在另外系統表現良好。我很高興看到這樣創(chuàng)造性地使用科技加上醫(yī)學知識，來改善預測模型的可移植性。
通過EHR模型轉移，團隊測試了他們模型預測兩種結果的能力：死亡率和長期逗留的需要。他們在一個EHR平臺上進行了訓練，然后在不同的平臺上測試，發(fā)現EHR模型轉移優(yōu)于基線方法。
未來，EHR模型轉移小組計劃對其他醫(yī)院和護理機構的數據、EHR系統進行評估。
上述兩種方法都得到了英特爾大數據科技中心和國家醫(yī)學圖書館的支持。EHR模型轉移的論文，還得到了國家科學基金和廣達電腦有限公司的支持。