机器学习过去常常超过MELD来评估肝脏疾病

时间:2019-03-06 18:38:50 阅读:10次

  在2016年9月加入剑桥的IBM Research之前,我在马萨诸塞州综合医院(MGH)完成了为期三年的博士后培训计划,并与哈佛大学的教师密切合作。现在,MGH和IBM Research之间的合作取得了令人满意的结果 - 我们的手稿“MELD-Plus:肝硬化的广泛预测风险评分”发表在PLOS ONE,这是一篇同行评审的在线科学期刊。

  这项合作的起源可以追溯到近两年前,当时我在旧金山AMIA年度研讨会上发表了一项研究[1]。在我的演讲结束后,观众有机会提问。 IBM研究人员Kenney Ng提出了一个与机器学习技术相关的问题,称为k-fold交叉验证。我很惊讶。通常在这些活动中,我被要求澄清我是如何进行研究的。我从未被问过这样一个特定的方法论问题。我说,“你在想像计算机科学家。”肯尼回答说,“那是因为我是一名计算机科学家!”120人的观众笑了一下,然后我回答了肯尼的问题。

  我在MGH的大部分时间都致力于调查一组314,292名患有代谢综合征风险增加的患者[2]。我与MGH和哈佛大学的同事合作,实施了各种预测建模方法,并采用了文本处理技术,以更好地了解疾病及其并发症。我们专注于心血管疾病,失眠和肝脏疾病。该队列的这些信息包含了1992年至2010年期间在MGH或布莱根妇女医院(BWH)接受治疗的患者的完整临床细节。

   2014年底,心脏病专家Stanley Shaw博士(在研究期间主持我的实验室)向我介绍了肝病专家Kathleen Corey博士,我与他开始合作,询问该队列以确定相关的新生物标记物。患有肝病和相关合并症的人的结果。我们的工作产生了几项已发表的研究,其中一项研究出现在 The American Journal of Gastroenterology 中(见过去的项目:http://researcher.ibm.com/researcher/view_person_pubs.php?person = ibm-Ur。 Kartoun)。

  在此期间,我正在阅读其他与肝病有关的研究人员的研究,并试图找出新的研究方向。我第一次意识到终末期肝病(MELD)风险评分模型的重要性,这是医学中最重要和最广泛使用的风险预测评分之一。特别是自2002年以来,MELD在确定等待名单上的哪位病人将接受肝脏移植方面发挥了至关重要的作用[3]。

  有机会获得MGH宝贵的数据和成为一名研究员的灵活性,我几乎可以探索任何事情。受到我读过的文献的启发,我决定尝试为肝硬化确定新的生物标志物,肝硬化是人类已知的最致命的疾病之一。我认为这是一个很好的研究方向,因为大多数先前的研究都是基于手动选择一小组生物标志物来预测死亡率。

  受哈佛大学生物学信息学和Bedside(i2b2)小组领导的其他研究的启发,我们采取了一种无偏见的方法来发现生物标记物。在这种方法中,特征选择机器学习算法观察了大量的健康记录,并确定了一小组变量,这些变量可以作为给定医疗结果的最有效预测因子。我们使用经过充分研究的监督学习范式来评估准确性;我们还应用传统的统计方法来评估我们的方法的有效性。我们意识到,通过将MELD的组件(或其扩展版本MELD-Na的组件)与几个易于访问的变量相结合,我们可以构建一个大约高出10%的新分数。我们将新分数称为“MELD-Plus”。

   IBM Explorys Network大约有一年的死亡率(24,042例与肝硬化相关的入院率)。 MELD-Plus优于传统的MELD和MELD-Na分数。

  加入IBM Research后不久,我开始与管理IBM Research健康分析小组的Kenney合作,进一步评估MELD-Plus。我们在名为IBM Explorys Network的数据库上部署了原始的MGH广义线性模型方程。我们使用了数据库的一部分,代表了大约1800万患者,汇集了多个医疗保健系统,以进一步评估MELD-Plus的有效性。

  正如我们所希望的那样,MELD-Plus证明优于MELD和MELD-Na,其准确度的提高与我们将其应用于MGH / BWH数据库时的准确度相似。我们认为,我们将机器学习和统计技术应用于大量电子健康记录以在独立数据源上进一步验证的方法,可以为改善风险评分提供基础,从而改善对肝病患者的护理。监测高风险患者的决策。我们很高兴PLOS ONE已接受我们的稿件发表,我们希望我们的方法可以通过提供更准确的工具来评估肝病的严重程度来推进肝病学领域[4]。

  参考

Kartoun U,Kumar V,Cheng SC,Yu S,Liao K,Karlson E,Ananthakrishnan A,Xia Z,Gainer V,Cagan A,Savova G,Chen P,Murphy S,Churchill S,Kohane I,Szolovits P,Cai T ,Shaw SY。展示将数据挖掘技术应用于依赖于时间的电子病历的优势。美国医学信息学协会2015年度研讨会,2015年11月14日至18日,加利福尼亚州旧金山。
Kartoun U.拥有所有人的人。 ACM Interactions 2017; 24(4):22-3。
Kamath PS,Kim WR。终末期肝病模型(MELD)。 Hepatology 2007; 45(3):797-805。
Kartoun U,Corey K,Simon T,Zheng H,Aggarwal R,Ng K,Shaw S. MELD-Plus:肝硬化的一般预测风险评分。 PLOS ONE 2017(生产中接受的手稿)。

  保存

  保存

  保存

  保存

机器学习过去常常超过MELD来评估肝脏疾病所属专题:机器学习 《机器学习过去常常超过MELD来评估肝脏疾病》链接:http://www.zhouchuanxiong.net/828

机器学习过去常常超过MELD来评估肝脏疾病相关文章

  • 分布式深度学习培训控制提供10倍的性能提升
  • ROMEO寻求通过机器学习和边缘物联网改善风电场
  • 从研究论文中自动生成深度学习模型的代码
  • 攻丝机学习促进更多地利用仿生学进行创新
  • 深度学习培训时间显着减少
  • IBM Research的深度学习进展
  • IBM利用POWER9和NVIDIA GPU设置万亿级机器学习基准记录; PowerAI即将推出
  • 一种用于大规模图的可扩展深度学习方法
  • 在强化学习中发现特征选择的新算法
  • 加速机器学习算法的培训
  • 使用深度学习生成餐厅评论
  • 使用OpenCV和深度学习在视频中跟踪对象
  • 开发一个使用机器学习的基于Web的移动健康应用程序
  • 在Kubernetes上部署和使用多框架深度学习平台
  • 创建一个Web应用程序以与机器学习生成的图像标题进行交互
  • 创建一个Web应用程序,以便与使用机器学习检测到的对象进
  • 机器学习模型的性能评估
  • 构建机器学习推荐引擎,以鼓励基于过去购买行为的额外购买
  • 使用内部部署数据训练基于云的机器学习模型
  • 使用Watson Machine Learning和IBM Db2 Warehouse on Cloud持续学习
  • 部署深度学习驱动的“魔术裁剪工具”
  • 使用机器学习预测心脏病
  • 使用Watson OpenScale监控自定义机器学习引擎
  • 使用Watson OpenScale监控Sagemaker机器学习
  • 使用机器学习和高级分析分析物联网传感器数据
  • 使用Watson OpenScale监控Azure机器学习
  • 从计算机中学习大脑,反之亦然
  • 机器学习分支出来
  • 更好的机器学习
  • 通过玩游戏来学习语言