您所在的位置:首页 > i医疗 > 行业动态 >  以深度学习分析电子病历,进行临床预测
以深度学习分析电子病历,进行临床预测
  • 2018-05-28 15:25
  • 作者:佚名
  • 来源:通信信号处理研究所

大家都有住院的经验,入院之后总会对接下来的事情,充满担忧。尤其是病患会不断在心里问自己:「我什么时候可以回家?我会好起来吗?我还要回诊吗?」

如果医师与护理师能够准确回答这些问题,有助于完善、安全且高效率地护理患者。若病患的健康状况恶化,医护人员也能抢得先机,主动采取措施。

透过人工智能去预测事态发展,已经非常普遍。我们用它来预测通勤途中的交通状况,或把英文翻译成西班牙语时,预测可能需要用到的词汇。同样的道理,我们是否能应用相同类型的机器学习进行「临床预测」呢?

这样的预测模型要能够有实用价值,须具备以下两点特征:

一、可扩展性:该预测模型要能进行多项预测,得出所有我们想要的信息,并且适用于不同医院的系统。有鉴于医疗保健数据相当复杂,需要进行大量数据处理,这样的要求可能不容易满足。

二、准确性:预测结果要能帮助医生关注到真正的病灶所在,不能误导医生去注意到不相干的地方。随着电子病历普及,我们刻正尝试用其中的数据建立更加精准的预测模型。

我们联合加州大学旧金山分校、史丹佛大学医学院(Standford University School of Medicine)和芝加哥大学医学院的同事,在《自然》杂志的兄弟期刊—《数字医学》上发表了题为《可扩展且精准的深度学习与电子健康记录》的论文。这篇论文有助于实现前述两个目标。

以保护个资为原则处理后的电子病历数据为基础,我们用深度学习模型对住院患者进行了广泛预测。值得一提的是,该模型可以直接使用原始数据,无需人工对相关变量进行提取、清洗、整理、转换等一系列费时费力的操作。合作伙伴在将电子病历数据交给我们之前,先对相关敏感个资内容做了适当处理。我们也采用了最先进的措施保障数据安全,包括逻辑分隔、严格的访问控制,以及静态和传输中的数据加密。

可扩展性

电子病历非常复杂。以体温为例,因测量位置不同(舌头下方、耳膜或额头),其往往具有不同含义。而体温不过是电子病历众多参数中最简单的之一。此外,各个卫生系统都有一套自己定制的电子病例系统,导致各个医院的采集的数据大不相同。用机器学习处理这些数据之前,需要先将其统一格式。基于开放的FHIR标准,我们构建了一套标准格式。

格式统一后,我们就不需要手动选择或调整相关变量了。进行各项预测时,深度学习模型会自动扫描过去到现在的所有数据点,并分析其中哪些数据对预测是有价值的。由于这一过程涉及数千个数据点,我们不得不开发了一些基于递归神经网络(RNN)和前馈网络的新型深度学习建模方法。

▲用时间线展示患者电子病历中的数据。我们按行显示各种类型的临床数据,其中每个数据片段都用灰点表示,它们被存储在 FHIR 中。 FHIR 是一种可供任何医疗机构使用的开放式数据标准。深度学习模型通过从左往右扫描时间表,分析患者从图标开头到现在的住院信息,并据此进行不同类型的预测。

▲患者入院24小时后,使用深度学习进行预测。上图顶部的时间表包含了患者几个月时间的历史数据,以最近的数据做放大显示。模型以红色标识患者信息图表中用于「解释」其预测的信息。此研究案例中,模型标注了临床上有意义的信息片段。

这对患者和临床医生意味着什么?

这项研究成果还处于早期阶段,而且是基于「回顾性数据」得出的。事实上,证明机器学习可用于改善医疗保健这一假设,还有很多工作要做,本文不过是个开始。医生正穷于应付各种警报和需求,机器学习模型是否能帮助处理繁琐的管理任务,让他们更专注于护理有需要的患者?我们是否可以帮助患者获得高质量的护理,无论他们在哪里寻求治疗?我们期待着与医生和患者合作,找出这些问题的答案。

转载请注明出处:HC3i中国数字医疗
【责任编辑:liuge TEL:(010)68476606】

标签:深度学习  电子病历  临床预测  
  • 分享到: