科技猎帮助医生做出更好的医疗决策，机器学习是如何做的？
医生们总是会被来自图标、测试结果和其他指标的信息所困扰。在进行实时治疗决策的时候，医生们总是很难整合、监测多个患者的所有数据，特别是当医院的数据记录不一致的时候。
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，在一则新文章中探讨了一个问题：计算机如何帮助医生做出更好的医疗决策？
这个团队创建了一种名为“ICU干预”的机器学习方法，这种方法需要大量的重症监护室（ICU）的数据，来确定不同症状需要哪些治疗方法。这个系统使用了“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，同时还会解释这些决定背后的原因。
博士生Harni Suresh，也是ICU干预一文的主要作者，说：“这个系统可能有助于ICU的医生在高压力、高需求的环境下，让他们利用医疗记录中的数据，来改善医疗保健，并预测可实施的措施。”
同时，另一个团队开发了一种被称为“EHR模型转移”的方法，这种方法尽管是由不同EHR系统的数据进行的培训，但还是能促进在电子健康记录（EHR）系统上的预测模型的应用。具体来说，这种方法，可以在一个EHR系统上训练死亡率、延长逗留时间的预测模型，并用于另一个EHR系统。
ICU干预由Suresh、Nathan Hunt（本科生）、Alistair Johnson（博士后）、Leo Anthony Celi（研究员）、Peter Szolovists（麻省理工学院教授）、Marzyeh Ghassemi（博士生）共同开发，是在这个月的“波士顿医疗机器学习会议”上提出的。
EHR模型转移是由CASIL的博士生Jen Gong和Tristan Naumann，以及电气工程教授Szolovists和John Guttag共同开发的，是在加拿大哈利法克斯的“知识发现和数据挖掘特别兴趣小组”上提出的。
这两种模型的培训都使用了来自重要护理数据库MIMIC的数据，其中包括来自大约4万名重症监护病人的未确定数据，由麻省理工学院计算生理学实验室开发的。
ICU干预
综合ICU数据，对于让预测患者健康结果的过程自动化，是非常重要的。
Suresh说：“以前在临床决策中，许多工作都集中在死亡率等结果上，而这项工作则预测了可行的治疗方法。此外，这个系统能使用单一模型，来预测多种结果。”
ICU干预专注于每小时预测涵盖各种关键护理需要的5种不同干预措施，比如呼吸辅助、改善心血管功能、降低血压、流体治疗。
在每个小时，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数值。所有数据都用数值表示，表示患者距平均值的差距，来评估进一步治疗方法。
重要的是，ICU干预可以对未来做出预测！比如，这个模型可以预测6小时后（而不是30分钟或1小时后）患者是否需要呼吸机。这个团队还专注于为模型的预测提供推力，为医生提供更多的见解。
斯坦福大学副教授Nigam Shah说：“基于神经网络的深层神经预测模型，总是被业内人士批评。然而，这些作者高度准确地预测了医疗干预的开始和结束，并且能证明他们做出的预测的可解释性。”
团队还发现，这个系统在预测干预措施方法方面，比以前的方法更出色，并且特别擅长于预测血管加压素的需要，这是一种收紧血管、提高血压的药物。
将来，研究人员会努力改进ICU干预，以便给予更多的个性化护理，并为决策提供更先进的推力，比如为什么一个患者能减少类固醇，或者为什么另一个患者需要像内镜检查等等。
EHR模型转移
利用ICU数据的另一个重要因素是存储方式，以及当存储方式发生变化是会发生什么。现有的机器学习模型，需要用一致的方式来编码数据，因此，医院经常改变他们的EHR系统，这可能会对数据分析和预测造成重大问题。
这就是EHR模型转移想解决的问题。这种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（比如血压、心率等）。
比如，一个EHR平台中的病人，可能需要换医院，还需要把他的数据传输到不同类型的平台。而EHR模型转移，能确保该模型能够预测患者ICU访问的各个方面，比如长期停留或死亡的可能性。
Shah说：“机器学习模型在卫生保健这块，总是略显低效、便携性差。他们做了个不错的设计，让模型在一个系统接受培训，然后在另外系统表现良好。我很高兴看到这样创造性地使用科技加上医学知识，来改善预测模型的可移植性。”
通过EHR模型转移，团队测试了他们模型预测两种结果的能力：死亡率和长期逗留的需要。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，发现EHR模型转移优于基线方法。
未来，EHR模型转移小组计划对其他医院和护理机构的数据、EHR系统进行评估。
上述两种方法都得到了英特尔大数据科技中心和国家医学图书馆的支持。EHR模型转移的论文，还得到了国家科学基金和广达电脑有限公司的支持。