Google AI ：使用深度學(xué)習(xí)分析電子健康記錄
2018-06-13 來源：
當(dāng)患者被送進(jìn)醫(yī)院后，他們對(duì)接下來發(fā)生的事情有很多疑問。我什么時(shí)候能回家?我會(huì)好起來嗎?我還需要再住院嗎?準(zhǔn)確回答這些問題有助于醫(yī)生和護(hù)士提供更好、更安全和更快速的護(hù)理。并且如果患者的情況惡化，醫(yī)生還可以提前主動(dòng)采取措施。
預(yù)測接下來會(huì)發(fā)生什么是機(jī)器學(xué)習(xí)一個(gè)自然的應(yīng)用領(lǐng)域。我們可以用它預(yù)測通勤途中的交通狀況，以及將英語翻譯成西班牙語時(shí)可能用到的下一個(gè)詞匯。那么，這些類型的機(jī)器學(xué)習(xí)是否也可以用于臨床預(yù)測呢?要做到實(shí)用，預(yù)測必須至少具備以下兩點(diǎn)：
可擴(kuò)展：預(yù)測應(yīng)當(dāng)直截了當(dāng)，得出所有重要信息，并且適用于不同的醫(yī)院系統(tǒng)。鑒于醫(yī)療保健數(shù)據(jù)非常復(fù)雜，需要進(jìn)行大量數(shù)據(jù)處理，這一要求并不容易滿足。
準(zhǔn)確：預(yù)測應(yīng)當(dāng)提醒醫(yī)生關(guān)注真正的問題，而不是用誤報(bào)警分散他們的注意力。隨著電子健康記錄逐漸普及，我們正嘗試?yán)闷渲械臄?shù)據(jù)構(gòu)建更準(zhǔn)確的預(yù)測模型。
我們聯(lián)合加州大學(xué)舊金山分校、斯坦福大學(xué)醫(yī)學(xué)院和芝加哥大學(xué)醫(yī)學(xué)院的同事，在《自然》雜志合作期刊《數(shù)字醫(yī)學(xué)》上發(fā)表了題為 "Scalable and Accurate Deep Learning with Electronic Health Records" 的論文，這篇論文對(duì)實(shí)現(xiàn)前文所述的兩個(gè)目標(biāo)有所幫助。 (論文地址：https://www.nature.com/articles/s41746-018-0029-1)
基于去除了身份信息的電子健康記錄，我們使用深度學(xué)習(xí)模型對(duì)住院患者進(jìn)行了廣泛預(yù)測。值得一提的是，我們能夠直接使用原始數(shù)據(jù)，無需人工對(duì)記錄中的相關(guān)變量進(jìn)行提取、清理、整理和轉(zhuǎn)換等一系列費(fèi)時(shí)費(fèi)力的操作。合作伙伴在將電子健康數(shù)據(jù)交給我們之前，先對(duì)其進(jìn)行了脫敏處理。我們也采用了最先進(jìn)的安全措施保護(hù)數(shù)據(jù)，包括邏輯分離、嚴(yán)格的訪問控制，以及靜態(tài)和傳輸中的數(shù)據(jù)加密。
可擴(kuò)展性
電子健康記錄 (EHR) 極其復(fù)雜。以體溫為例，因測量位置不同(舌頭下方、耳膜或額頭)，數(shù)據(jù)往往具有不同含義。而體溫不過是一個(gè)簡單的生命體征。此外，各個(gè)衛(wèi)生系統(tǒng)都會(huì)自定義他們的 EHR 系統(tǒng)，這樣一來，即使患者在兩家醫(yī)院接受類似的護(hù)理，不同的醫(yī)院采集的數(shù)據(jù)也大不相同。在用機(jī)器學(xué)習(xí)處理分析數(shù)據(jù)之前，需要先將它們統(tǒng)一格式。我們基于開放的快速醫(yī)療互操作性資源 (FHIR) 標(biāo)準(zhǔn)構(gòu)建了一套標(biāo)準(zhǔn)格式，之前的一篇博文對(duì)此進(jìn)行了介紹。
格式統(tǒng)一后，我們就不再需要手動(dòng)選擇或調(diào)整相關(guān)變量了。進(jìn)行各項(xiàng)預(yù)測時(shí)，深度學(xué)習(xí)模型會(huì)讀取過去到現(xiàn)在的所有數(shù)據(jù)點(diǎn)，并學(xué)習(xí)哪些數(shù)據(jù)有助于預(yù)測結(jié)果。由于這一過程涉及數(shù)千個(gè)數(shù)據(jù)點(diǎn)，我們不得不開發(fā)了一些基于遞歸神經(jīng)網(wǎng)絡(luò) (RNN) 和前饋網(wǎng)絡(luò)的新型深度學(xué)習(xí)建模方法。
我們用時(shí)間線來表示患者記錄中的數(shù)據(jù)。為便于說明，我們按行顯示各種類型的臨床數(shù)據(jù)(例如就醫(yī)記錄和實(shí)驗(yàn)室測試)。每個(gè)數(shù)據(jù)片段都用灰點(diǎn)表示，它們存儲(chǔ)在 FHIR 中，F(xiàn)HIR 是一種可供任何醫(yī)療機(jī)構(gòu)使用的開放式數(shù)據(jù)標(biāo)準(zhǔn)。深度學(xué)習(xí)模型通過從左往右讀取時(shí)間線，分析患者從圖表開頭到現(xiàn)在的住院信息，并據(jù)此進(jìn)行不同類型的預(yù)測。
于是，我們?cè)O(shè)計(jì)了一個(gè)計(jì)算機(jī)系統(tǒng)，以可擴(kuò)展的方式進(jìn)行預(yù)測，而無需為每項(xiàng)預(yù)測任務(wù)手動(dòng)制作新數(shù)據(jù)集。設(shè)置數(shù)據(jù)只是全部工作的一部分，預(yù)測的準(zhǔn)確性也十分重要。
預(yù)測準(zhǔn)確性
評(píng)估準(zhǔn)確性的最常見方法是受試者工作曲線下指標(biāo)，它可以有效評(píng)估模型區(qū)分特定未來結(jié)果患者和非特定未來結(jié)果患者的效果。在這個(gè)指標(biāo)中，1.00 代表完美，0.50 代表不比隨機(jī)結(jié)果準(zhǔn)確，也就是說得分越高，模型越準(zhǔn)確。通過這種指標(biāo)，論文中報(bào)告的模型在預(yù)測患者是否會(huì)在醫(yī)院停留很久時(shí)的得分為 0.86(傳統(tǒng)邏輯回歸的得分為 0.76);預(yù)測住院死亡率時(shí)的得分為 0.95(傳統(tǒng)方法的得分為 0.86)，預(yù)測出院后意外再住院率時(shí)的得分為 0.77(傳統(tǒng)方法的得分為 0.70)。從統(tǒng)計(jì)學(xué)上講，這些提升非常顯著。
我們還使用這些模型確定患者接受治療的狀態(tài)。例如，如果醫(yī)生為發(fā)燒、咳嗽的患者開具頭孢曲松和強(qiáng)力霉素，模型就會(huì)判定患者正在接受肺炎治療。我們想要強(qiáng)調(diào)的是，模型不會(huì)診斷患者，它只是收集患者的相關(guān)信號(hào)，以及臨床醫(yī)生編寫的治療方案和筆記。因此，它更像是一位優(yōu)秀的聽眾，而不是主診醫(yī)生。
我們工作的一個(gè)重要焦點(diǎn)是深度學(xué)習(xí)模型的可解釋。每項(xiàng)預(yù)測的"注意力圖"會(huì)展示模型在進(jìn)行這項(xiàng)預(yù)測時(shí)認(rèn)為重要的數(shù)據(jù)點(diǎn)。我將展示一個(gè)示例作為概念驗(yàn)證，并將此視為讓預(yù)測對(duì)臨床醫(yī)生產(chǎn)生價(jià)值的重要部分。
在患者入院 24 小時(shí)后，我們使用深度學(xué)習(xí)模型進(jìn)行預(yù)測。時(shí)間線(上圖頂部)包含患者幾個(gè)月的歷史數(shù)據(jù)，我們將最近的數(shù)據(jù)在圖中間放大顯示。模型用紅色"標(biāo)注"了患者圖表中用于"解釋"其預(yù)測的信息。在這個(gè)案例研究中，模型標(biāo)注了臨床上有意義的信息片段。數(shù)字來自我們的論文。
這對(duì)患者和臨床醫(yī)生有何意義?
這項(xiàng)研究成果還處于早期階段，而且也僅基于回顧性數(shù)據(jù)。事實(shí)上，證明機(jī)器學(xué)習(xí)可用于改善醫(yī)療保健這一假設(shè)還有做很多工作要做，這篇論文只不過是一個(gè)開始。醫(yī)生們已經(jīng)疲于應(yīng)付各種警報(bào)和需求，機(jī)器學(xué)習(xí)模型能否幫助處理繁瑣的管理任務(wù)，讓他們更好地專注于護(hù)理有更多需要的患者?我們是否可以幫助患者獲得高質(zhì)量護(hù)理，無論他們?cè)谀睦飳で笾委?我們期待著與醫(yī)生和患者合作，找出這些問題的答案。
標(biāo)簽： Google https 安全 網(wǎng)絡(luò) 選擇
版權(quán)申明：本站文章部分自網(wǎng)絡(luò)，如有侵權(quán)，請(qǐng)聯(lián)系：west999com@outlook.com
特別注意：本站所有轉(zhuǎn)載文章言論不代表本站觀點(diǎn)！
本站所提供的圖片等素材，版權(quán)歸原作者所有，如需使用，請(qǐng)與原作者聯(lián)系。
