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療數據，包括電子健康記錄，來預測治療的結果。

　　醫生經常被來自圖表、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，可能難以整合和監測多個患者的數據，特別是當醫院的數據記錄不一致時。

　　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生做出更好的醫療決策。

　　其中一個團隊創建了一種名為“ICU Intervene”的機器學習方法，該方法需要大量的重癥監護室（ICU）數據，從生命體和實驗室到人口統計學，以確定不同癥狀需要哪些治療方法。

　　該系統使用“ 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。這個月在波士頓的醫療機器學習會議上已發布。

　　ICU Intervene論文的主要作者，Harini Suresh博士說：“該系統可能有助于ICU的醫生，這是一個高強度、高需求的環境。“目標是利用醫療記錄中的數據，來改善醫療保健并預測可行動的干預措施?！?/p>

　　另一個團隊開發了一種稱為“EHR轉移模型”的方法，團隊把來自不同EHR系統的數據進行了訓練，可以將預測模型應用于電子健康記錄（EHR）系統。使用這種方法，團隊證明了，可以在一個EHR系統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系統中進行預測。

　　EHR轉移模型由主要作者Jen Gong和Tristan Naumann、CSAIL的博士生以及Szolovits和John Guttag共同研發，他是Dugald C. Jackson電氣工程教授。

　　EHR轉移模型在加拿大哈利法克斯舉行的第23屆國際數據挖掘大會（KDD 2017）已發布。

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

　　▍ICU干預

　　ICU綜合數據，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。“此外，該系統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，系統從代表生命體征的數據，以及臨床病歷和其他數據點中提取值。所有數據都用值表示，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，為醫生提供更多的見解。

　　斯坦福大學醫學副教授 Nigam Shah 說，“基于神經網絡的深度神經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。”

　　團隊發現，該系統在預測干預措施方面優于以前的工作，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鏡檢查。

　　▍EHR轉移模型

　　利用ICU數據的另一個重要考慮因素是存儲方式，以及當存儲方法發生變化時會發生什么?，F有的機器學習模型需要以一致的方式編碼數據，因此醫院經常改變其EHR系統的事實可能會為數據分析和預測帶來重大問題。

　　這是EHR轉移模型擅長的。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換醫院，并將其數據傳輸到不同類型的平臺。EHR模型轉移旨在確保該模型，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：“衛生保健機器學習模式往往遭受外部效率低下，醫療站點之間的便攜性差的影響?！白髡咴O計了一個漂亮的策略，在醫學本體中使用先前的知識，在兩個網站之間共享，允許在一個網站上訓練的模型在另一個網站上表現良好。我很高興看到這樣創造性地使用編纂醫學知識，來改善預測模型的可移植性。

　　通過EHR轉移模型，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。發現EHR模型轉移優于基線方法，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模型轉移小組計劃，對其他醫院和護理機構的數據和EHR系統進行評估。