电子健康记录的深度学习

lixia01

当病人入院时，他们会对接下来会发生什么有很多疑问。我什么时候可以回家？我会好起来吗？我是否必须回到医院？对这些问题有准确的答案有助于医生和护士提供更好、更安全、更快速的护理——如果病人的健康状况正在恶化，医生可以在情况恶化之前主动采取行动。
预测接下来会发生什么是机器学习的自然应用。我们想知道，预测上下班交通状况或从英语翻译成西班牙语时下一个单词的机器学习类型是否可以用于临床预测。要使预测在实践中有用，它们至少应该：
可扩展： 对于任何重要结果和不同的医院系统，预测应该很容易创建。由于医疗保健数据非常复杂，需要大量的数据整理，因此这一要求并不容易满足。
准确： 预测应该提醒临床医生注意问题，而不是用错误警报分散他们的注意力。随着电子健康记录的广泛采用，我们开始使用这些数据来创建更准确的预测模型。
我们与加州大学旧金山分校、斯坦福医学院和芝加哥大学医学院的同事一起在《自然合作期刊：数字医学》上发表了“利用电子健康记录进行可扩展且准确的深度学习” ，为实现这两个目标做出了贡献。
我们利用深度学习模型，使用去识别化的电子健康记录，对住院患者做出了一系列相关的预测。重要的是，我们能够按原样使用数据，而无需费力的手动工作来提取、清理、协调和转换这些记录中的相关变量。我们的合作伙伴在我们收到敏感的个人信息之前就已经删除了这些信息，而我们则使用最先进的安全措施保护数据，包括逻辑分离、严格的访问控制以及静态和传输中数据加密。
可扩展性
电子健康记录 (EHR) 非常复杂。即使是体温测量结果也有不同的含义，这取决于它是在舌下、通过耳膜还是在额头测量。而这只是一个简单的生命体征。此外，每个医疗系统都会定制他们的 EHR 系统，使得一家医院收集的数据与另一家医院接受类似护理的类似患者的数据看起来不同。在应用机器学习之前，我们需要一种一致的方式来表示患者记录，我们基于开放的快速医疗互操作性资源(FHIR) 标准构建了该标准，如之前的博客文章中所述。
一旦采用一致的格式，我们就不必手动选择或协调要使用的变量。相反，对于每个预测，深度学习模型会从最早到最新的读取所有数据点，然后了解哪些数据有助于预测结果。由于涉及数千个数据点，我们必须基于循环神经网络(RNN) 和前馈网络开发一些新型的深度学习建模方法。
患者记录中的数据以时间线表示。为了便于说明，我们按行显示各种类型的临床数据（例如就诊、实验室检查）。每条数据（表示为小灰点）都存储在FHIR中，FHIR 是一种开放数据标准，可供任何医疗机构使用。深度学习模型通过从左到右读取时间线（从病历开头到当前住院时间）来分析患者的病历，并使用这些数据做出不同类型的预测。
因此，我们设计了一个计算机系统，以可扩展的方式做出预测，而无需为每个任务手工制作新的数据集。但设置数据只是工作的一部分；预测也需要准确。
预测准确性评估准确性的最常见方法是通过称为受试者工作曲线下面积的
测量，该测量测量模型区分将出现特定未来结果的患者和不会出现特定未来结果的患者的能力。在这个指标中，1.00 是完美的，0.50 并不比随机机会好，因此数字越高表示模型越准确。通过这个衡量标准，我们在论文中报告的模型在预测患者是否会长期住院方面得分为 0.86（传统逻辑回归得分为 0.76）；他们在预测住院死亡率方面的得分为 0.95（传统方法为 0.86），在预测患者出院后意外再入院方面的得分为 0.77（传统方法为 0.70）。这些收益具有统计学意义。 我们还使用这些模型来识别患者接受治疗的病症。例如，如果医生为体温升高、发烧和咳嗽的患者开了头孢曲松和强力霉素，该模型可以识别出这些是患者接受肺炎治疗的信号。我们强调，该模型不是在诊断患者——它会获取有关患者、他们的治疗方法和临床医生撰写的笔记的信号，因此该模型更像是一个好的倾听者，而不是一个诊断大师。 我们工作的一个重要重点包括所使用的深度学习模型的可解释性。每个预测的“注意力图”显示了模型在做出该预测时考虑的重要数据点。我们展示了一个例子作为概念证明，并将其视为使预测对临床医生有用的重要部分。
这对患者和临床医生意味着什么？
这项研究的成果还处于早期阶段，并且仅基于回顾性数据。事实上，这篇论文只是测试机器学习可用于改善医疗保健这一假设所需工作的开始。医生已经被大量警报和注意力需求淹没了——模型能否帮助医生完成繁琐的管理任务，以便他们能够更好地关注眼前的患者或需要额外关注的患者？我们能否帮助患者无论在哪里都能获得高质量的护理？我们期待与医生和患者合作，找出这些问题以及更多问题的答案。