MIT利用用不同類型的醫(yī)療數(shù)據(jù)來預測治療的結果

　　麻省理工學院的計算機科學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，來預測治療的結果。

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

　　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論文中，探討了計算機如何幫助醫(yī)生做出更好的醫(yī)療決策。

　　其中一個團隊創(chuàng)建了一種名為“ICU Intervene”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)，從生命體和實驗室到人口統(tǒng)計學，以確定不同癥狀需要哪些治療方法。

　　該系統(tǒng)使用“ 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)療機器學習會議上已發(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，這是一個高強度、高需求的環(huán)境?！澳繕耸抢冕t(yī)療記錄中的數(shù)據(jù)，來改善醫(yī)療保健并預測可行動的干預措施?！?/p>

　　另一個團隊開發(fā)了一種稱為“EHR轉(zhuǎn)移模型”的方法，團隊把來自不同EHR系統(tǒng)的數(shù)據(jù)進行了訓練，可以將預測模型應用于電子健康記錄（EHR）系統(tǒng)。使用這種方法，團隊證明了，可以在一個EHR系統(tǒng)上訓練死亡率和延長逗留時間的預測模型，并用于在另一個EHR系統(tǒng)中進行預測。

　　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。

　　麻省理工學院計算生理學實驗室，使用來自重要護理數(shù)據(jù)庫MIMIC的數(shù)據(jù)，對這兩種模型進行了訓練，其中包括來自大約40000名重癥監(jiān)護病人的未標注數(shù)據(jù)。

　　▍ICU干預

　　ICU綜合數(shù)據(jù)，對于預測患者健康結果的自動化過程至關重要。

　　Suresh說：“以前在臨床決策中的許多工作，都集中在死亡率等結果上，而這項工作預測了可行的治療方法?！按送猓撓到y(tǒng)能夠使用單一模型來預測許多結果?！?/p>

　　ICU Intervene專注于預測涵蓋各種關鍵護理需求的五種不同干預措施，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（然后評估進一步治療）。

　　重要的是，ICU Intervene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，而不是僅需30分鐘或1小時后才能使用呼吸機。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 Nigam Shah 說，“基于神經(jīng)網(wǎng)絡的深度神經(jīng)預測模型往往被輿論批評，”他沒有參與這篇論文?！叭欢?，這些作者高度準確地預測了醫(yī)療干預的開始和結束，并且能夠證明他們做出的預測的可解釋性。”

　　團隊發(fā)現(xiàn)，該系統(tǒng)在預測干預措施方面優(yōu)于以前的工作，并且特別擅長于預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ICU Intervene，以便能夠給予更多的個性化護理，并為決策提供更先進的推理，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，以及當存儲方法發(fā)生變化時會發(fā)生什么?，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(jīng)常改變其EHR系統(tǒng)的事實可能會為數(shù)據(jù)分析和預測帶來重大問題。

　　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)生保健機器學習模式往往遭受外部效率低下，醫(yī)療站點之間的便攜性差的影響。“作者設計了一個漂亮的策略，在醫(yī)學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)學知識，來改善預測模型的可移植性。

　　通過EHR轉(zhuǎn)移模型，該團隊測試了其模型預測兩種結果的能力：死亡率和長期入院治療的需要。他們在一個EHR平臺上進行了訓練，然后在不同的平臺上測試了其預測。發(fā)現(xiàn)EHR模型轉(zhuǎn)移優(yōu)于基線方法，并且與單獨使用EHR特異性事件相比，EHR版本的預測模型更好。

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