幫助醫生做出更好的醫療決策，機器學習是如何做的？
醫生們總是會被來自圖標、測試結果和其他指標的信息所困擾。在進行實時治療決策的時候，醫生們總是很難整合、監測多個患者的所有數據，特別是當醫院的數據記錄不一致的時候。
麻省理工學院的計算機科學和人工智能實驗室（CSAIL）的研究人員，在一則新文章中探討了一個問題：計算機如何幫助醫生做出更好的醫療決策？
這個團隊創建了一種名為ICU干預的機器學習方法，這種方法需要大量的重癥監護室（ICU）的數據，來確定不同癥狀需要哪些治療方法。這個系統使用了深度學習，進行實時預測，從過去的ICU案例中學習，為重癥監護提出建議，同時還會解釋這些決定背后的原因。
博士生HarniSuresh，也是ICU干預一文的主要作者，說：這個系統可能有助于ICU的醫生在高壓力、高需求的環境下，讓他們利用醫療記錄中的數據，來改善醫療保健，并預測可實施的措施。
同時，另一個團隊開發了一種被稱為EHR模型轉移的方法，這種方法盡管是由不同EHR系統的數據進行的培訓，但還是能促進在電子健康記錄（EHR）系統上的預測模型的應用。具體來說，這種方法，可以在一個EHR系統上訓練死亡率、延長逗留時間的預測模型，并用于另一個EHR系統。
ICU干預由Suresh、NathanHunt（本科生）、AlistairJohnson（博士后）、LeoAnthonyCeli（研究員）、PeterSzolovists（麻省理工學院教授）、MarzyehGhassemi（博士生）共同開發，是在這個月的波士頓醫療機器學習會議上提出的。
EHR模型轉移是由CASIL的博士生JenGong和TristanNaumann，以及電氣工程教授Szolovists和JohnGuttag共同開發的，是在加拿大哈利法克斯的知識發現和數據挖掘特別興趣小組上提出的。
這兩種模型的培訓都使用了來自重要護理數據庫MIMIC的數據，其中包括來自大約4萬名重癥監護病人的未確定數據，由麻省理工學院計算生理學實驗室開發的。
幫助醫生做出更好的醫療決策，m.twshmhelmet.com，機器學習是如何做的？
ICU干預
綜合ICU數據，對于讓預測患者健康結果的過程自動化，是非常重要的。
Suresh說：以前在臨床決策中，許多工作都集中在死亡率等結果上，而這項工作則預測了可行的治療方法。此外，這個系統能使用單一模型，來預測多種結果。
ICU干預專注于每小時預測涵蓋各種關鍵護理需要的5種不同干預措施，庫卡機器人驅動器維修，比如呼吸輔助、改善心血管功能、降低血壓、流體治療。
在每個小時，系統從代表生命體征的數據，以及臨床筆記和其他數據點中提取數值。所有數據都用數值表示，表示患者距平均值的差距，來評估進一步治療方法。
重要的是，ICU干預可以對未來做出預測！比如，這個模型可以預測6小時后（而不是30分鐘或1小時后）患者是否需要呼吸機。這個團隊還專注于為模型的預測提供推力，為醫生提供更多的見解。
斯坦福大學副教授NigamShah說：基于神經網絡的深層神經預測模型，總是被業內人士批評。然而，這些作者高度準確地預測了醫療干預的開始和結束，并且能證明他們做出的預測的可解釋性。
團隊還發現，工業機器人維修，這個系統在預測干預措施方法方面，比以前的方法更出色，并且特別擅長于預測血管加壓素的需要，這是一種收緊血管、提高血壓的藥物。
將來，研究人員會努力改進ICU干預，以便給予更多的個性化護理，并為決策提供更先進的推力，比如為什么一個患者能減少類固醇，或者為什么另一個患者需要像內鏡檢查等等。
EHR模型轉移
利用ICU數據的另一個重要因素是存儲方式，以及當存儲方式發生變化是會發生什么。現有的機器學習模型，需要用一致的方式來編碼數據，因此，醫院經常改變他們的EHR系統，這可能會對數據分析和預測造成重大問題。
這就是EHR模型轉移想解決的問題。這種方法適用于不同版本的EHR平臺，使用自然語言處理，來識別跨系統編碼的臨床概念，然后將其映射到一組常見的臨床概念（比如血壓、心率等）。
比如，一個EHR平臺中的病人，可能需要換醫院，還需要把他的數據傳輸到不同類型的平臺。而EHR模型轉移，能確保該模型能夠預測患者ICU訪問的各個方面，比如長期停留或死亡的可能性。
Shah說：機器學習模型在衛生保健這塊，總是略顯低效、便攜性差。他們做了個不錯的設計，讓模型在一個系統接受培訓，然后在另外系統表現良好。我很高興看到這樣創造性地使用科技加上醫學知識，來改善預測模型的可移植性。
通過EHR模型轉移，團隊測試了他們模型預測兩種結果的能力：死亡率和長期逗留的需要。他們在一個EHR平臺上進行了訓練，然后在不同的平臺上測試，發現EHR模型轉移優于基線方法。
未來，EHR模型轉移小組計劃對其他醫院和護理機構的數據、EHR系統進行評估。
上述兩種方法都得到了英特爾大數據科技中心和國家醫學圖書館的支持。EHR模型轉移的論文，還得到了國家科學基金和廣達電腦有限公司的支持。