利用机器学习来改善患者护理

时间:2019-03-04 16:13:05 阅读:12次

医生经常被来自图表,测试结果和其他指标的信号所淹没,以便跟踪。在制定实时治疗决策时,可能难以为多个患者整合和监控所有这些数据,尤其是在医院中数据记录不一致的情况下。
麻省理工学院计算机科学与人工智能实验室(CSAIL)的研究人员在一篇新论文中探讨了计算机帮助医生做出更好医疗决策的方法。
一个团队创建了一种称为“ICU Intervene”的机器学习方法,该方法从生命体征和实验室到注释和人口统计学中获取大量的重症监护病房(ICU)数据,以确定不同症状需要哪些治疗方法。该系统使用“深度学习”进行实时预测,从过去的ICU案例中学习,为重症监护提出建议,同时也解释这些决策背后的原因。
“该系统可能对ICU的医生提供帮助,这是一个高压力,高需求的环境,”博士生Harini Suresh说,他是关于ICU Intervene的论文的第一作者。 “目标是利用医疗记录中的数据来改善医疗保健并预测可行的干预措施。”
另一个团队开发了一种称为“EHR模型转移”的方法,该方法可以促进预测模型在电子健康记录(EHR)系统上的应用,尽管受到来自不同EHR系统的数据的培训。具体而言,使用这种方法,该团队表明,可以在一个EHR系统上训练死亡率和延长逗留时间的预测模型,并用于在另一个EHR系统中进行预测。
ICU Intervene由Suresh,本科学生Nathan Hunt,博士后Alistair Johnson,研究员Leo Anthony Celi,麻省理工学院教授Peter Szolovits和博士生Marzyeh Ghassemi共同开发。它于本月在波士顿的机器学习医疗保健会议上发布。
EHR Model Transfer由主要作者Jen Gong和Tristan Naumann共同开发,他们都是CSAIL的博士生,以及Szolovits和John Guttag,他是Dugald C. Jackson电气工程教授。它是在ACM加拿大哈利法克斯的知识发现和数据挖掘特别兴趣小组中提出的。
两个模型都使用来自重症监护数据库MIMIC的数据进行训练,该数据包括来自大约40,000名重症监护患者的去识别数据,并由麻省理工学院计算生理学实验室开发。
ICU介入
集成的ICU数据对于预测患者健康结果的过程自动化至关重要。
“以前在临床决策方面的大部分工作都集中在死亡率(死亡可能性)等结果上,而这项工作预示着可行的治疗,”Suresh说。 “此外,该系统能够使用单一模型预测许多结果。”
ICU Intervene专注于每小时预测五种不同的干预措施,涵盖各种重症监护需求,如呼吸辅助,改善心血管功能,降低血压和液体治疗。
在每个小时,系统从表示生命体征的数据中提取值,以及临床记录和其他数据点。所有数据都用表示患者离平均值多远的值(然后评估进一步治疗)来表示。
重要的是,ICU Intervene可以在未来做出预测。例如,该模型可以预测患者是否需要呼吸机六小时后而不是仅仅30分钟或一小时后。该团队还专注于为模型的预测提供推理,为医生提供更多洞察力。
“基于神经网络的深层医学预测模型经常因其黑盒性质而受到批评,”斯坦福大学医学副教授Nigam Shah表示,他没有参与该论文。 “然而,这些作者以高准确度预测了医学干预的开始和结束,并且能够证明他们所做预测的可解释性。”
该团队发现该系统在预测干预措施方面优于以前的工作,尤其擅长预测血管加压药的需求,血管加压药是一种收紧血管和升高血压的药物。
将来,研究人员将尝试改进ICU Intervene,以便能够提供更多的个性化护理,并为决策提供更高级的推理,例如为什么一名患者可能能够逐渐减少类固醇,或者为什么另一名患者可能需要像内窥镜检查。
EHR模型转移
利用ICU数据的另一个重要考虑因素是它的存储方式以及存储方法发生变化时会发生什么。现有的机器学习模型需要以一致的方式编码数据,因此医院经常更改其EHR系统这一事实可能会给数据分析和预测带来重大问题。
这就是EHR Model Transfer的用武之地。该方法适用于不同版本的EHR平台,使用自然语言处理来识别不同系统编码的临床概念,然后将它们映射到一组共同的临床概念(如“血压”)和“心率”)。
例如,一个EHR平台中的患者可能正在转换医院,并且需要将他们的数据转移到不同类型的平台。 EHR模型转移旨在确保该模型仍然可以预测该患者ICU就诊的各个方面,例如他们长期停留甚至死于该单位的可能性。
“卫生保健中的机器学习模型经常遭受外部有效性低,跨站点的可移植性差,”Shah说。 “作者设计了一个漂亮的策略,用于在医学本体中使用先验知识,以在两个站点之间获得共享表示,允许在一个站点训练的模型在另一个站点上运行良好。我很高兴看到这种创造性地使用编码医学知识来提高预测模型的可移植性。“
通过EHR模型转移,该团队测试了他们的模型预测两种结果的能力:死亡率和长期停留的需要。他们在一个EHR平台上训练它,然后在不同的平台上测试其预测。发现EHR模型转移优于基线方法,并证明与单独使用EHR特定事件相比,EHR版本的预测模型转移更好。
将来,EHR模型转移团队计划对来自其他医院和护理机构的数据和EHR系统进行系统评估。
这两篇论文部分得到了英特尔大数据科技中心和国家医学图书馆的支持。详细介绍EHR模型转移的论文还得到了美国国家科学基金会和广达电脑公司的支持。

上一篇:ML 2.0:许多机器学习     下一篇:从图片中学习单词
利用机器学习来改善患者护理所属专题:护理 机器学习 《利用机器学习来改善患者护理》链接:http://www.zhouchuanxiong.net/376