利用机器学习来改善病人护理
医生经常遇到信号图,测试结果,和其他指标的跟踪。它可以是难以整合和监控所有这些数据给多个患者而进行实时的处理决定,特别是当数据记录不一致在医院。
一双新的论文,从麻省理工学院计算机科学和人工智能实验室的研究人员(CSAIL)探讨计算机帮助医生做出更好的医疗决定的方式。SMT贴片加工
一个团队创建了一个机器学习的方法被称为“ICU干预”,需要大量的ICU(重症监护病房)的数据,从生命体征和实验室记录和统计,以确定哪些种类的不同症状需要治疗。该系统使用“深度学习”进行实时预测,从过去的ICU病例中学习,为重症监护提供建议,同时也解释这些决定背后的原因。
“系统可以在ICU医生的帮助,这是一个高压力、高要求的环境,说:”博士生Harini Suresh,作者对ICU干预导致了。“目标是利用医疗记录中的数据改善医疗保健并预测可行的干预措施。”
另一个研究小组开发了一种称为“EHR模型转移”的方法,它可以促进预测模型在电子健康记录(EHR)系统上的应用,尽管他们接受了来自不同EHR系统的数据培训。具体来说,使用这种方法,研究小组表明,死亡率和延长住院时间的预测模型可以在一个EHR系统上进行训练,并用于另一个系统的预测。
ICU介入共同开发的Suresh、大学生Nathan Hunt、博士后Alistair Johnson、研究员Leo Anthony Celi、美国麻省理工学院教授Peter Szolovits和博士生Marzyeh Ghassemi。这是本月在波士顿举行的医疗保健机器学习会议上提出的。
电子病历模型传递共同第一作者Jen Gong和Tristan Naumann,都在著名的博士研究生,以及Szolovits和John Guttag,谁是在电气工程的Dugald C.杰克逊教授。这是在加拿大哈利法克斯的ACM知识发现和数据挖掘特别兴趣小组中提出的。
这两种模型都使用了来自重症监护数据库的数据进行模拟,其中包括来自大约40000名危重病人的数据,由麻省理工学院计算生理学实验室开发。
ICU干预
综合ICU数据对预测病人健康结果的过程是至关重要的。
“在临床决策的前期工作都集中在诸如死亡率(死亡的可能性),而这项工作预计可操作的处理,”Suresh说。“此外,该系统能够使用一个单一的模型来预测许多结果。”
重症监护病房的干预重点是每小时预测五种不同的干预措施,包括各种各样的危重护理需求,如呼吸援助,改善心血管功能,降低血压,液体疗法。
每小时,系统从表示生命体征的数据中提取价值,以及临床记录和其他数据点。所有的数据都用一个值来表示,这意味着病人离平均距离有多远(然后评估进一步的治疗)。
重要的是,ICU的介入可以使预测遥远的未来。例如,该模型可以预测病人是否需要呼吸机六小时后,而不是仅仅30分钟或一小时后。该小组还专注于为模型的预测提供推理,让医生更深入地了解问题。
“深度神经网络预测模型在医学领域经常被批评为黑箱性质,”Nigam Shah说,医学副教授在斯坦福大学谁没有参与研究。然而,这些作者预测的开始和结束的高精度医疗干预,并能够证明解释他们做出预测。”
该团队发现,系统比以前的预测和干预工作,尤其擅长预测前需要用药,加强血管及提高血压。
在未来,研究人员将努力改善ICU干预,以便能够提供更多个性化的护理,并为决策提供更高级的推理,例如,为什么一个病人可能会减少类固醇,或为什么另一个可能需要一个过程,如内窥镜检查。
电子病历模型传递
利用ICU数据的另一个重要考虑是它是如何存储的,以及当该存储方法发生变化时会发生什么情况。现有的机器学习模型需要以一致的方式对数据进行编码,因此医院经常改变其EHR系统的事实会给数据分析和预测带来重大问题。
这是电子病历模型转移进来。该方法在不同版本的EHR平台上工作,使用自然语言处理来识别在不同系统上编码不同的临床概念,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平台中的病人可能会交换医院,并需要将他们的数据传输到不同类型的平台上。EHR模型转移的目的是确保该模型仍然能预测病人的重症监护病房访问的各个方面,例如他们可能延长住院时间甚至死亡。
沙阿说:“医疗保健中的机器学习模式经常遭受外部效度低,跨网站的移植性差。”。作者设计了一个巧妙的策略,利用医学本体中的先验知识,在两个站点之间共享一个共享表示,允许在一个站点上训练的模型在另一个站点上执行得很好。我很高兴地看到,在提高预测模型的可移植性的编纂医学知识的创造性运用。”
随着EHR模型的转移,研究小组测试了他们的模型预测两个结果的能力:死亡率和长期停留的需要。他们训练这一电子病历平台并测试其预测在不同的平台。电子病历模型转移优于基线方法,并显示了更好地转移预测模型在EHR版本相比,仅使用特定于EHR的事件。
将来,EHR模型转换团队计划从其他医院和护理机构评估数据和EHR系统的系统。
这两份论文都得到了英特尔科技大数据中心和国家医学图书馆的支持。国家科学基金会和广达电脑有限公司还提供了详细介绍EHR模型转移的论文。