机器学习可以减少测试改善重症监护患者的治疗

重症监护室的医生面临着一个持续的难题：他们订购的每次血液检查都可能产生重要的信息，但同时也增加了患者的成本和风险。为了应对这一挑战，普林斯顿大学的研究人员正在开发一种计算方法，以帮助临床医生更有效地监测患者的病情，并就为特定患者订购实验室检查的最佳机会做出决策。

研究生Li-Fang Cheng和Niranjani Prasad使用了6,000多名患者的数据，与计算机科学 副教授 Barbara Engelhardt 一起设计了一种系统，该系统既可以减少测试频率，也可以缩短关键治疗的时间。该小组 于1月6日在夏威夷举行的太平洋生物计算研讨会上介绍了 他们的研究结果。

该分析集中在四个血液测试中，这些血液测试测量了乳酸，肌酐，血液尿素氮和白细胞。这些指标用于诊断ICU患者的两个危险问题：肾衰竭或称为败血症的全身性感染。

“由于我们的目标之一就是考虑是否可以减少实验室测试的数量，所以我们开始研究订购最多的[血液测试]面板，”该研究的共同主要作者和Prasad一起说。

研究人员使用了MIMIC III数据库，该数据库包括位于波士顿的Beth Israel女执事医疗中心的58,000名重症监护病人的详细记录。在这项研究中，研究人员选择了6060个成年人的子集，这些成年人在ICU中停留了1至20天，并对常见的生命体征和实验室检查进行了测量。

该研究的资深作者恩格尔哈特说：“在我们谈论的规模上，这些医学数据基本上已经在过去的一两年中获得了，我们可以用机器学习方法对其进行分析。” “那真是太令人兴奋了，也是一个巨大的机会。”

团队的算法使用“奖励功能”，该奖励功能根据给定时间的测试信息量鼓励测试顺序。也就是说，如果患者的状态与上次测量值明显不同的可能性更高，并且测试结果很可能暗示了临床干预措施(例如，启动抗生素或通过机械呼吸来辅助呼吸)，则在进行测试时会获得更大的回报。通风。同时，该功能会增加对测试的金钱成本和对患者的风险的惩罚。Prasad指出，根据情况，临床医生可以决定将其中一个组件优先于其他组件。

这种称为强化学习的方法旨在推荐能够最大化奖励功能的决策。这就像对待顺序决策问题一样对待医学测试问题，在该问题中，您要考虑过去一段时间内的所有决策和所见过的所有状态，并决定在当前时间应该做什么以最大程度地延长工作时间。为患者带来的长期回报。”计算机科学专业的研究生Prasad解释说。

普林斯顿计算科学与工程学院 (PICSciE)的相关教员Engelhardt说，在临床环境中及时地对这些信息进行分类需要相当大的计算能力 。电气工程 专业的研究生Cheng 与她的共同顾问 Kai Li，Paul M.和Marcia R. Wythes计算机科学教授一起工作，以利用PICSciE资源来运行团队的计算。

为了测试他们制定的实验室测试策略的效用，研究人员比较了将他们的策略应用于培训数据集中实际用于6,060名患者的测试方案所产生的奖励函数值， ICU在2001年至2012年之间。他们还将这些值与随机实验室测试政策产生的值进行了比较。

对于每个测试和奖励组件，与医院中使用的实际策略相比，机器学习算法生成的策略将导致改进的奖励值。在大多数情况下，该算法的性能也优于随机策略。乳酸测试是一个明显的例外。乳酸测试命令的频率相对较低可以解释这一点，从而导致测试信息量的高度差异。

总体而言，研究人员的分析表明，与临床医生遵循的实际测试方案相比，他们的优化策略所产生的信息更多。如果使用白细胞测试，使用该算法可以减少多达44%的实验室测试订单数量。他们还表明，当患者的病情开始恶化时，这种方法本可以帮助临床医生有时提前几个小时进行干预。

“通过这种方法制定的实验室测试订购政策，我们能够命令实验室确定患者的健康状况已经退化到平均水平，需要平均在临床医生根据临床医生订购的实验室开始治疗的四个小时之前进行治疗，”他说。恩格哈特。

艾默里大学(Emory University)生物医学信息学助理教授Shamim Nemati说：“在重症监护室中，缺乏适当的实验室测量频率的循证指南。” “由数据驱动的方法(例如，Cheng和合著者提出的方法)与对临床工作流程的更深入了解相结合，有可能减轻图表制作负担和过度测试的成本，并提高态势感知和结果。”

恩格尔哈特(Engelhardt)的小组正在与Penn Medicine的Predictive Healthcare团队的数据科学家合作，在未来几年内将这种政策引入诊所。宾夕法尼亚大学高级数据科学家Corey Chivers说，这样的努力旨在“赋予临床医生其他领域的其他人所拥有的超能力”。他补充说：“能够访问具有大量数据的机器学习，人工智能和统计模型”将帮助临床医生“做出更好的决策，并最终改善患者的治疗效果。”

“这是我们第一次能够采用这种机器学习方法，并将其实际用于ICU或住院医院，并向看护者提供建议，以使患者不会处于危险之中。 ”，恩格哈特(Engelhardt)说。“那真的是新奇的东西。”

这项工作得到了海伦·希普利狩猎基金会的支持，该基金支持旨在改善人类健康的研究;埃里克和温迪·施密特(Eric and Wendy Schmidt)战略创新基金，该基金支持人工智能和机器学习方面的研究。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！