В новой паре статей исследователи из Лаборатории компьютерных наук и искусственного интеллекта Массачусетского технологического института (CSAIL) исследуют способы, с помощью которых компьютеры могут помочь врачам принимать более обоснованные медицинские решения.Одна команда разработала подход машинного обучения под названием «Вмешательство в ОИТ», который использует большие объемы данных отделений интенсивной терапии (ОИТ), от основных показателей и лабораторных анализов до заметок и демографических данных, чтобы определить, какие виды лечения необходимы для различных симптомов.
Система использует «глубокое обучение», чтобы делать прогнозы в реальном времени, извлекая уроки из прошлых случаев интенсивной терапии, чтобы вносить предложения по неотложной помощи, а также объясняет причины этих решений.«Система потенциально могла бы помочь врачам в отделении интенсивной терапии, которое представляет собой среду с высоким уровнем стресса и высокими требованиями», — говорит аспирант Харини Суреш, ведущий автор статьи об ICU Intervene. «Цель состоит в том, чтобы использовать данные из медицинских карт для улучшения здравоохранения и прогнозирования действенных вмешательств».Другая группа разработала подход под названием «Передача модели ЭУЗ», который может облегчить применение прогностических моделей в системе электронных медицинских карт (ЭУЗ), несмотря на то, что ее обучали на данных из другой системы ЭУЗ.
В частности, используя этот подход, команда показала, что модели прогнозирования смертности и продолжительного пребывания в больнице могут быть обучены в одной системе EHR и использованы для прогнозирования в другой.ICU Intervene был совместно разработан Суреш, студентом Натаном Хантом, доктором Алистаром Джонсоном, исследователем Лео Энтони Сели, профессором Массачусетского технологического института Питером Шоловицем и аспирантом Марзье Гассеми. Он был представлен в этом месяце на конференции по машинному обучению для здравоохранения в Бостоне.
Перенос модели EHR был разработан ведущими авторами Джен Гонгом и Тристаном Науманном, аспирантами CSAIL, а также Соловицем и Джоном Гуттагом, профессором электротехники Дугальда К. Джексона. Он был представлен Группе специальных интересов ACM по открытию знаний и интеллектуальному анализу данных в Галифаксе, Канада.Обе модели были обучены с использованием данных из базы данных интенсивной терапии MIMIC, которая включает обезличенные данные примерно 40 000 пациентов, оказывающих реанимацию, и была разработана лабораторией вычислительной физиологии Массачусетского технологического института.
ICU вмешатьсяИнтегрированные данные отделений интенсивной терапии жизненно важны для автоматизации процесса прогнозирования результатов лечения пациентов.«Большая часть предыдущей работы по принятию клинических решений была сосредоточена на таких результатах, как смертность (вероятность смерти), в то время как эта работа предсказывает действенные методы лечения», — говорит Суреш. «Кроме того, система может использовать одну модель для прогнозирования множества результатов».
ICU Intervene фокусируется на ежечасном прогнозировании пяти различных вмешательств, которые охватывают широкий спектр потребностей в неотложной помощи, таких как помощь при дыхании, улучшение сердечно-сосудистой функции, снижение артериального давления и жидкостная терапия.
Каждый час система извлекает значения из данных, которые представляют жизненно важные признаки, а также клинические записи и другие точки данных. Все данные представлены со значениями, которые показывают, насколько далеко пациент от среднего (чтобы затем оценить дальнейшее лечение).Важно отметить, что ICU Intervene может делать прогнозы на далекое будущее. Например, модель может предсказать, понадобится ли пациенту вентилятор через шесть часов, а не через 30 минут или час.
Команда также сосредоточилась на обосновании прогнозов модели, чтобы дать врачам больше информации.«Прогностические модели на основе глубоких нейронных сетей в медицине часто критикуют за их черную природу», — говорит Нигам Шах, доцент медицины Стэнфордского университета, не участвовавший в работе. «Однако эти авторы предсказывают начало и конец медицинских вмешательств с высокой точностью и могут продемонстрировать интерпретируемость своих прогнозов».Команда обнаружила, что система превзошла предыдущую работу по прогнозированию вмешательств и особенно хороша в прогнозировании потребности в вазопрессорах — лекарстве, которое сужает кровеносные сосуды и повышает кровяное давление.В будущем исследователи будут пытаться улучшить ICU Intervene, чтобы иметь возможность оказывать более индивидуализированный уход и предоставлять более продвинутые аргументы для принятия решений, например, почему один пациент может отказаться от стероидов или почему другому может потребоваться такая процедура, как эндоскопия.
Перенос модели EHRЕще одно важное соображение при использовании данных ICU — это то, как они хранятся и что происходит, когда этот метод хранения изменяется.
Существующим моделям машинного обучения необходимо, чтобы данные кодировались согласованным образом, поэтому тот факт, что больницы часто меняют свои системы EHR, может создать серьезные проблемы для анализа и прогнозирования данных.Вот где приходит на помощь перенос модели EHR. Подход работает в разных версиях платформ EHR, используя обработку естественного языка для выявления клинических концепций, которые по-разному кодируются в разных системах, а затем сопоставляя их с общим набором клинических концепций (например, «кровяное давление»). и «пульс»).
Например, пациент на одной платформе EHR может переключаться между больницами и нуждаться в передаче своих данных на платформу другого типа. Передача модели EHR направлена на то, чтобы модель все еще могла предсказать аспекты посещения этого пациента в отделении интенсивной терапии, такие как их вероятность длительного пребывания или даже смерти в отделении.«Модели машинного обучения в здравоохранении часто страдают от низкой внешней достоверности и плохой переносимости между сайтами», — говорит Шах. «Авторы разрабатывают изящную стратегию использования предшествующих знаний в медицинских онтологиях для получения общего представления на двух сайтах, что позволяет моделям, обученным на одном сайте, хорошо работать на другом сайте. Я рад видеть такое творческое использование систематизированных медицинских знаний в улучшении переносимость прогнозных моделей ".
С помощью переноса модели EHR команда проверила способность своей модели прогнозировать два исхода: смертность и необходимость длительного пребывания в больнице. Они обучили его на одной платформе EHR, а затем проверили его прогнозы на другой платформе.
Было обнаружено, что передача модели EHR превосходит базовые подходы и демонстрирует лучший перенос прогностических моделей между версиями EHR по сравнению с использованием только событий, специфичных для EHR.В будущем группа по передаче модели EHR планирует оценить систему на основе данных и систем EHR из других больниц и медицинских учреждений.