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(shù)據(jù)記錄等多種類型的醫(yī)療數(shù)據(jù)以預測醫(yī)療情況。兩個團隊分別創(chuàng)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(yī)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(jiān)測多個患者數(shù)據(jù)的同時做出實時治療決策是十分困難的，特別是當醫(yī)院之間數(shù)據(jù)記錄不一致時，其所造成的挑戰(zhàn)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(yī)生做出更好醫(yī)療決策。

　　其中，一個團隊創(chuàng)建了一種名為“重癥監(jiān)護室干預(ICUIntervene)”的機器學習方法，該方法需要大量的重癥監(jiān)護室(ICU)數(shù)據(jù)，所需數(shù)據(jù)包括人的生命特征、實驗室數(shù)據(jù)、說明筆記、人口統(tǒng)計數(shù)據(jù)，以確定不同癥狀需要何種治療方法。該系統(tǒng)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(jiān)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HariniSuresh博士說：“該系統(tǒng)可能有助于在ICU中時刻待命的醫(yī)生，因為這是一個有著高壓力、高需求的環(huán)境。其目標是利用醫(yī)療記錄中的數(shù)據(jù)來改善醫(yī)療條件并對可能出現(xiàn)的干預情況做出預測。”

　　另一個團隊則開發(fā)出了“EHR模型遷移”的方法，其對于處理來自不同EHR系統(tǒng)的數(shù)據(jù)能夠進行系統(tǒng)訓練，可以用于幫助應用預測模型于電子健康記錄(EHR)系統(tǒng)。具體來說，使用該研究團隊的這種方法，可以實現(xiàn)在一個EHR系統(tǒng)上訓練得出死亡率數(shù)據(jù)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(tǒng)中進行預測。

　　ICU干預由Suresh博士、NathanHunt、AlistairJohnson博士后、LeoAnthonyCeli研究員、麻省理工學院教授PeterSzolovits和博士生MarzyehGhassemi共同開發(fā)，并于本月在波士頓醫(yī)療機器學習會議上首次提出。

　　EHR模型轉移由CSAIL在讀博士生JenGong和TristanNaumann，以及Szolovits和電氣工程教授JohnGuttag共同研發(fā)。其在加拿大哈利法克斯的ACM知識發(fā)現(xiàn)和數(shù)據(jù)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(shù)據(jù)庫MIMIC的數(shù)據(jù)進行了培訓，其中的數(shù)據(jù)包括來自大約40000名重癥監(jiān)護病人的去標識數(shù)據(jù)，并由麻省理工學院計算生理學實驗室開發(fā)。

　　重癥監(jiān)護室(ICU)干預

　　整合ICU數(shù)據(jù)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(xiàn)則是預測可行的治療方法。此外，該系統(tǒng)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(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)點中提取值。所有數(shù)據(jù)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(yī)生提供更多的見解。

　　斯坦福大學醫(yī)學副教授奈加姆·沙阿(NigamShah)說，“基于神經網(wǎng)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(yī)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(fā)現(xiàn)，該系統(tǒng)在預測干預措施方面優(yōu)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(shù)據(jù)的另一個重要考慮因素是其存儲方式以及當存儲方法發(fā)生變化時可能出現(xiàn)的情況?，F(xiàn)有的機器學習模型需要以一致的方式編碼數(shù)據(jù)，因此醫(yī)院經常改變其EHR系統(tǒng)就可能會為數(shù)據(jù)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(tǒng)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(yī)院，并需要將其數(shù)據(jù)傳輸?shù)讲煌愋偷钠脚_。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(xiàn)死亡的可能性。

　　Shah說：“用于醫(yī)療治療的機器學習模型往往有著系統(tǒng)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(yī)學本體中使用已掌握的知識，從而在兩個網(wǎng)站之間得出共同承認的表達，其能夠幫助模型在一網(wǎng)站上經過訓練后能在另一個網(wǎng)站上表現(xiàn)良好。能夠看到這樣創(chuàng)造性地使用編碼醫(yī)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(fā)現(xiàn)EHR模型遷移優(yōu)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(shù)據(jù)遷移。

　　未來，EHR模型遷移小組計劃對其他醫(yī)院和護理機構的數(shù)據(jù)和EHR系統(tǒng)進行評估。