MIT利用用不同类型的医疗数据来预测治疗的结果

　　麻省理工学院的计算机科学和人工智能实验室的新研究利用不同类型的医疗数据，包括电子健康记录，来预测治疗的结果。

　　医生经常被来自图表、测试结果和其他指标的信号所困扰。在进行实时治疗决策时，可能难以整合和监测多个患者的数据，特别是当医院的数据记录不一致时。

　　麻省理工学院的计算机科学和人工智能实验室（CSAIL）的研究人员在一则新的论文中，探讨了计算机如何帮助医生做出更好的医疗决策。

　　其中一个团队创建了一种名为“ICU Intervene”的机器学习方法，该方法需要大量的重症监护室（ICU）数据，从生命体和实验室到人口统计学，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，同时解释这些决定背后的原因。

　　ICU Intervene由Suresh、本科生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。这个月在波士顿的医疗机器学习会议上已发布。

　　ICU Intervene论文的主要作者，Harini Suresh博士说：“该系统可能有助于ICU的医生，这是一个高强度、高需求的环境。“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动的干预措施。”

　　另一个团队开发了一种称为“EHR转移模型”的方法，团队把来自不同EHR系统的数据进行了训练，可以将预测模型应用于电子健康记录（EHR）系统。使用这种方法，团队证明了，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。

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

　　EHR转移模型在加拿大哈利法克斯举行的第23届国际数据挖掘大会（KDD 2017）已发布。

　　麻省理工学院计算生理学实验室，使用来自重要护理数据库MIMIC的数据，对这两种模型进行了训练，其中包括来自大约40000名重症监护病人的未标注数据。

　　▍ICU干预

　　ICU综合数据，对于预测患者健康结果的自动化过程至关重要。

　　Suresh说：“以前在临床决策中的许多工作，都集中在死亡率等结果上，而这项工作预测了可行的治疗方法。“此外，该系统能够使用单一模型来预测许多结果。”

　　ICU Intervene专注于预测涵盖各种关键护理需求的五种不同干预措施，如呼吸辅助，改善心血管功能，降低血压和液体治疗。

　　每个小时，系统从代表生命体征的数据，以及临床病历和其他数据点中提取值。所有数据都用值表示，表示患者距平均值多高（然后评估进一步治疗）。

　　重要的是，ICU Intervene可以对未来做出预测。例如，该模型可以预测6小时后，患者是否需要呼吸机，而不是仅需30分钟或1小时后才能使用呼吸机。该团队还专注于为模型的预测提供推理，为医生提供更多的见解。

　　斯坦福大学医学副教授 Nigam Shah 说，“基于神经网络的深度神经预测模型往往被舆论批评，”他没有参与这篇论文。“然而，这些作者高度准确地预测了医疗干预的开始和结束，并且能够证明他们做出的预测的可解释性。”

　　团队发现，该系统在预测干预措施方面优于以前的工作，并且特别擅长于预测抗利尿激素的需求，这是一种收紧血管并提高血压的药物。

　　将来，研究人员将努力改进ICU Intervene，以便能够给予更多的个性化护理，并为决策提供更先进的推理，例如为什么一个患者可以减少类固醇，或者为什么另一个患者可能需要像内镜检查。

　　▍EHR转移模型

　　利用ICU数据的另一个重要考虑因素是存储方式，以及当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，因此医院经常改变其EHR系统的事实可能会为数据分析和预测带来重大问题。

　　这是EHR转移模型擅长的。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跨系统编码的临床概念，然后将其映射到一组常见的临床概念（如“血压”和“心率”）。

　　例如，一个EHR平台中的病人可能正在转换医院，并将其数据传输到不同类型的平台。EHR模型转移旨在确保该模型，能够预测患者ICU需求的各个方面，例如长期入院治疗或甚至死亡的可能性。

　　Shah说：“卫生保健机器学习模式往往遭受外部效率低下，医疗站点之间的便携性差的影响。“作者设计了一个漂亮的策略，在医学本体中使用先前的知识，在两个网站之间共享，允许在一个网站上训练的模型在另一个网站上表现良好。我很高兴看到这样创造性地使用编纂医学知识，来改善预测模型的可移植性。

　　通过EHR转移模型，该团队测试了其模型预测两种结果的能力：死亡率和长期入院治疗的需要。他们在一个EHR平台上进行了训练，然后在不同的平台上测试了其预测。发现EHR模型转移优于基线方法，并且与单独使用EHR特异性事件相比，EHR版本的预测模型更好。

　　未来，EHR模型转移小组计划，对其他医院和护理机构的数据和EHR系统进行评估。