麻省理工用机器学习打造人工智能ICU实验室

　　麻省理工学院的计算机科学和人工智能实验室采用包括电子健康数据记录等多种类型的医疗数据以预测医疗情况。两个团队分别创建了“ICU干预”和“EHR模型迁移”机器学习方法，致力于改进患者护理条件。

　　医生经常因需要察看各种图表、测验结果和其他指标所困扰。想要在整合与监测多个患者数据的同时做出实时治疗决策是十分困难的，特别是当医院之间数据记录不一致时，其所造成的挑战就更大了。

　　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文章中探讨了怎样能利用电脑帮助医生做出更好医疗决策。

　　其中，一个团队创建了一种名为“重症监护室干预(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，所需数据包括人的生命特征、实验室数据、说明笔记、人口统计数据，以确定不同症状需要何种治疗方法。该系统使用“深度学习”技术进行实时预测，从过去的ICU案例中学习，从而为重症监护提出建议，同时解释做出这些决策的原因。

　　有关ICU干预文章的主要作者Harini Suresh博士说：“该系统可能有助于在ICU中时刻待命的医生，因为这是一个有着高压力、高需求的环境。其目标是利用医疗记录中的数据来改善医疗条件并对可能出现的干预情况做出预测。”

　　另一个团队则开发出了“EHR模型迁移”的方法，其对于处理来自不同EHR系统的数据能够进行系统训练，可以用于帮助应用预测模型于电子健康记录(EHR)系统。具体来说，使用该研究团队的这种方法，可以实现在一个EHR系统上训练得出死亡率数据和延长停留时间的预测模型，并将得出的模型迁移在另一个EHR系统中进行预测。

　　ICU干预由Suresh博士、Nathan Hunt、Alistair Johnson博士后、Leo Anthony Celi研究员、麻省理工学院教授Peter Szolovits和博士生Marzyeh Ghassemi共同开发，并于本月在波士顿医疗机器学习会议上首次提出。

　　EHR模型转移由CSAIL在读博士生Jen Gong和Tristan Naumann，以及Szolovits和电气工程教授John Guttag共同研发。其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上首次提出。

　　上述两模型都使用了来自关键护理数据库MIMIC的数据进行了培训，其中的数据包括来自大约40000名重症监护病人的去标识数据，并由麻省理工学院计算生理学实验室开发。

　　重症监护室(ICU)干预

　　整合ICU数据对于预测患者健康结果过程的自动化而言至关重要。

　　Suresh表示：“此前，临床决策中的许多工作都关注于死亡率等结果上，而这项工作的出现则是预测可行的治疗方法。此外，该系统能够使用单一模型预测出多种结果。”

　　ICU干预专注于对五种关键措施以小时为单位进行预测，措施涵盖各种关键护理需求，如呼吸辅助、改善心血管功能、降低血压、输液治疗。

　　每小时，系统从代表生命体征的数据以及临床笔记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远(然后评估进一步治疗)。

　　重要的是，ICU干预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，而不仅仅只能预测出患者在30分钟或1小时后需要使用呼吸机。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奈加姆·沙阿(Nigam Shah)说，“基于神经网络的深层神经预测模型往往因其机器的身份而受到批评，然而，这些作者高度准确地预测了医疗干预的开始和结束，并且能够实际证实其做出的预测的可解释性。”

　　该团队发现，该系统在预测干预措施方面优于从前，并且特别擅长预测血管加压素的需要，这是一种用于收紧血管并提高血压的药物。

　　将来，研究人员将努力改进ICU干预，以便能够为患者提供更多个性化护理，并为决策提供更先进的预测，例如为什么一个患者有可能逐渐减少类固醇，又或是为什么另一个患者可能需要进行内镜检查。

　　EHR模型迁移

　　利用ICU数据的另一个重要考虑因素是其存储方式以及当存储方法发生变化时可能出现的情况。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系统就可能会为数据分析和预测带来重大问题。

　　这就是EHR模型迁移的用武之地。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跨系统编码的临床信息，然后将其映射到常见的临床信息中(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，并需要将其数据传输到不同类型的平台。EHR模型迁移旨在确保该模型能够保持对患者情况的预测能力，例如患者长期停留，或是出现死亡的可能性。

　　Shah说：“用于医疗治疗的机器学习模型往往有着系统外部效度低下、站点之间的便携性差的缺点。而这些作者却设计了一个精妙的策略，即在医学本体中使用已掌握的知识，从而在两个网站之间得出共同承认的表达，其能够帮助模型在一网站上经过训练后能在另一个网站上表现良好。能够看到这样创造性地使用编码医学知识来增强预测模型的可移植性，我很兴奋。“

　　利用EHR模型迁移，该团队测试了其模型对两种结果的预测能力：死亡率和长期住院需求。他们在一个EHR平台上对模型进行了训练，然后在不同的平台对其预测进行了测试。发现EHR模型迁移优于普通方法，并且与单独使用EHR特异性事件相比，EHR预测模型能够更好地进行数据迁移。

　　未来，EHR模型迁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。