醫(yī)生們總是會被來自圖標(biāo)、測試結(jié)果和其他指標(biāo)的信息所困擾。在進(jìn)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(shù)據(jù)，特別是當(dāng)醫(yī)院的數(shù)據(jù)記錄不一致的時候。
麻省理工學(xué)院的計算機科學(xué)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(tuán)隊創(chuàng)建了一種名為“ICU干預(yù)”的機器學(xué)習(xí)方法，這種方法需要大量的重癥監(jiān)護(hù)室（ICU）的數(shù)據(jù)，來確定不同癥狀需要哪些治療方法。這個系統(tǒng)使用了“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，同時還會解釋這些決定背后的原因。
博士生Harni Suresh，也是ICU干預(yù)一文的主要作者，說：“這個系統(tǒng)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(shù)據(jù)，來改善醫(yī)療保健，并預(yù)測可實施的措施。”
同時，另一個團(tuán)隊開發(fā)了一種被稱為“EHR模型轉(zhuǎn)移”的方法，這種方法盡管是由不同EHR系統(tǒng)的數(shù)據(jù)進(jìn)行的培訓(xùn)，但還是能促進(jìn)在電子健康記錄（EHR）系統(tǒng)上的預(yù)測模型的應(yīng)用。具體來說，這種方法，可以在一個EHR系統(tǒng)上訓(xùn)練死亡率、延長逗留時間的預(yù)測模型，并用于另一個EHR系統(tǒng)。
ICU干預(yù)由Suresh、Nathan Hunt（本科生）、Alistair Johnson（博士后）、Leo Anthony Celi（研究員）、Peter Szolovists（麻省理工學(xué)院教授）、Marzyeh Ghassemi（博士生）共同開發(fā)，是在這個月的“波士頓醫(yī)療機器學(xué)習(xí)會議”上提出的。
EHR模型轉(zhuǎn)移是由CASIL的博士生Jen Gong和Tristan Naumann，以及電氣工程教授Szolovists和John Guttag共同開發(fā)的，是在加拿大哈利法克斯的“知識發(fā)現(xiàn)和數(shù)據(jù)挖掘特別興趣小組”上提出的。
這兩種模型的培訓(xùn)都使用了來自重要護(hù)理數(shù)據(jù)庫MIMIC的數(shù)據(jù)，其中包括來自大約4萬名重癥監(jiān)護(hù)病人的未確定數(shù)據(jù)，由麻省理工學(xué)院計算生理學(xué)實驗室開發(fā)的。
幫助醫(yī)生做出更好的醫(yī)療決策，機器學(xué)習(xí)是如何做的？
ICU干預(yù)
綜合ICU數(shù)據(jù)，對于讓預(yù)測患者健康結(jié)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(jié)果上，而這項工作則預(yù)測了可行的治療方法。此外，這個系統(tǒng)能使用單一模型，來預(yù)測多種結(jié)果。”
ICU干預(yù)專注于每小時預(yù)測涵蓋各種關(guān)鍵護(hù)理需要的5種不同干預(yù)措施，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(tǒng)從代表生命體征的數(shù)據(jù)，以及臨床筆記和其他數(shù)據(jù)點中提取數(shù)值。所有數(shù)據(jù)都用數(shù)值表示，表示患者距平均值的差距，來評估進(jìn)一步治療方法。
重要的是，ICU干預(yù)可以對未來做出預(yù)測！比如，這個模型可以預(yù)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(tuán)隊還專注于為模型的預(yù)測提供推力，為醫(yī)生提供更多的見解。
斯坦福大學(xué)副教授Nigam Shah說：“基于神經(jīng)網(wǎng)絡(luò)的深層神經(jīng)預(yù)測模型，總是被業(yè)內(nèi)人士批評。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，并且能證明他們做出的預(yù)測的可解釋性。”
團(tuán)隊還發(fā)現(xiàn)，這個系統(tǒng)在預(yù)測干預(yù)措施方法方面，比以前的方法更出色，并且特別擅長于預(yù)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(jìn)ICU干預(yù)，以便給予更多的個性化護(hù)理，并為決策提供更先進(jìn)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(nèi)鏡檢查等等。
EHR模型轉(zhuǎn)移
利用ICU數(shù)據(jù)的另一個重要因素是存儲方式，以及當(dāng)存儲方式發(fā)生變化是會發(fā)生什么?，F(xiàn)有的機器學(xué)習(xí)模型，需要用一致的方式來編碼數(shù)據(jù)，因此，醫(yī)院經(jīng)常改變他們的EHR系統(tǒng)，這可能會對數(shù)據(jù)分析和預(yù)測造成重大問題。
這就是EHR模型轉(zhuǎn)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(tǒng)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(shù)據(jù)傳輸?shù)讲煌愋偷钠脚_。而EHR模型轉(zhuǎn)移，能確保該模型能夠預(yù)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(xué)習(xí)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(shè)計，讓模型在一個系統(tǒng)接受培訓(xùn)，然后在另外系統(tǒng)表現(xiàn)良好。我很高興看到這樣創(chuàng)造性地使用科技加上醫(yī)學(xué)知識，來改善預(yù)測模型的可移植性。”
通過EHR模型轉(zhuǎn)移，團(tuán)隊測試了他們模型預(yù)測兩種結(jié)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(jìn)行了訓(xùn)練，然后在不同的平臺上測試，發(fā)現(xiàn)EHR模型轉(zhuǎn)移優(yōu)于基線方法。
未來，EHR模型轉(zhuǎn)移小組計劃對其他醫(yī)院和護(hù)理機構(gòu)的數(shù)據(jù)、EHR系統(tǒng)進(jìn)行評估。
上述兩種方法都得到了英特爾大數(shù)據(jù)科技中心和國家醫(yī)學(xué)圖書館的支持。EHR模型轉(zhuǎn)移的論文，還得到了國家科學(xué)基金和廣達(dá)電腦有限公司的支持。
