如今利用機器學習預測事態(tài)發(fā)展已經(jīng)非常普遍。我們可以用它預測通勤途中的交通狀況，以及將英文翻譯成西班牙語時需要用到的詞匯。那么，我們是否可以用相同類型的機器學習進行臨床預測呢？我們認為，要做到實用，預測模型必須具備以下兩點特征：

可擴展：該預測模型要能進行多項預測，得出所有我們想要的信息，并且適用于不同醫(yī)院的系統(tǒng)。鑒于醫(yī)療保健數(shù)據(jù)十分復雜，需要進行大量數(shù)據(jù)處理，這一要求并不容易滿足。

精度高：預測結(jié)果需能幫助醫(yī)生關(guān)注真正的問題所在，而不是用誤報警分散醫(yī)生的注意力。隨著電子病歷逐漸普及，我們正嘗試用其中的數(shù)據(jù)建立更加精準的預測模型。

我們聯(lián)合加州大學舊金山分校、斯坦福大學醫(yī)學院和芝加哥大學醫(yī)學院的同事，在《自然》雜志的兄弟期刊——《數(shù)字醫(yī)學》上發(fā)表了題為《可擴展且精準的深度學習與電子健康記錄》的論文。這篇論文對實現(xiàn)前文所述的兩個目標有所幫助。

基于脫敏的電子病歷數(shù)據(jù)，我們用深度學習模型對住院患者進行了廣泛預測。值得一提的是，該模型可以直接使用原始數(shù)據(jù)，無需人工對相關(guān)變量進行提取、清洗、整理、轉(zhuǎn)換等一系列費時費力的操作。合作伙伴在將電子病歷數(shù)據(jù)交給我們之前，先對其進行了脫敏處理。我們也采用了最先進的措施保障數(shù)據(jù)安全，包括邏輯分隔、嚴格的訪問控制，以及靜態(tài)和傳輸中的數(shù)據(jù)加密。

可擴展性

電子病歷非常復雜。以體溫為例，因測量位置不同（舌頭下方、耳膜或額頭），其往往具有不同含義。而體溫不過是電子病歷眾多參數(shù)中最簡單的之一。此外，各個衛(wèi)生系統(tǒng)都有一套自己定制的電子病例系統(tǒng)，導致各個醫(yī)院的采集的數(shù)據(jù)大不相同。用機器學習處理這些數(shù)據(jù)之前，需要先將其統(tǒng)一格式?；陂_放的FHIR標準，我們構(gòu)建了一套標準格式。

格式統(tǒng)一后，我們就不需要手動選擇或調(diào)整相關(guān)變量了。進行各項預測時，深度學習模型會自動掃描過去到現(xiàn)在的所有數(shù)據(jù)點，并分析其中哪些數(shù)據(jù)對預測是有價值的。由于這一過程涉及數(shù)千個數(shù)據(jù)點，我們不得不開發(fā)了一些基于遞歸神經(jīng)網(wǎng)絡（RNN）和前饋網(wǎng)絡的新型深度學習建模方法。

*我們用時間線來展示患者電子病歷中的數(shù)據(jù)。為方便說明，我們按行顯示各種類型的臨床數(shù)據(jù)，其中每個數(shù)據(jù)片段都用灰點表示，它們被存儲在FHIR中。FHIR是一種可供任何醫(yī)療機構(gòu)使用的開放式數(shù)據(jù)標準。深度學習模型通過從左往右掃描時間表，分析患者從圖標開頭到現(xiàn)在的住院信息，并據(jù)此進行不同類型的預測。

就這樣我們設計了一個計算機系統(tǒng)，以可擴展的方式進行預測，而無需為每項預測任務手動制作新的數(shù)據(jù)集。設置數(shù)據(jù)只是全部工作中的一部分，保證預測的準確性也十分重要。

準確性

評估準確性的最常見方法是受試者工作曲線下面積，它可以有效評估模型區(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。 在這個度量標準中，1.00代表完美，0.50代表不比隨機結(jié)果更準確，也就是說得分越高代表模型越準確。通過測試，我們的模型在預測患者是否會在醫(yī)院停留很久時，得分為0.86（傳統(tǒng)邏輯回歸模型的評分為0.76）；預測住院病死率時的得分為0.95（傳統(tǒng)模型的得分為0.86）；預測出院后意外再住院率時得分為0.77（傳統(tǒng)模型得分為0.70）。從得分上看，新方法的準確率提升非常顯著。

我們還用這些模型來確定患者接受的治療，比如醫(yī)生為發(fā)燒、咳嗽的患者開具頭孢曲松和強力霉素，該模型就會判定患者正在接受肺炎治療。必須強調(diào)，該模型并不會給患者做診斷，它只是收集患者的相關(guān)信號，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。

深度學習模型的可解釋性是我們工作重點之一。每項預測的“注意圖”會展示模型在進行該項預測時認為重要的那些數(shù)據(jù)點。我將展示一個例子作為概念驗證，并將其視為讓預測對臨床醫(yī)生產(chǎn)生價值的重要部分。

*患者入院24小時后，我們使用深度學習進行預測。上圖頂部的時間表包含了患者幾個月時間的歷史數(shù)據(jù)，我們將最近的數(shù)據(jù)做了放大顯示。模型用紅色標識了患者信息圖表中用于“解釋”其預測的信息。在這個研究案例中，模型標注了臨床上有意義的信息片段。

這對患者和臨床醫(yī)生意味著什么？

這項研究成果還處于早期階段，而且是基于回顧性數(shù)據(jù)得出的。事實上，證明機器學習可用于改善醫(yī)療保健這一假設還有做很多工作要做，本文不過是個開始。醫(yī)生們正窮于應付各種警報和需求，機器學習模型是否能幫助處理繁瑣的管理任務，讓他們更專注于護理有需要的患者？我們是否可以幫助患者獲得高質(zhì)量的護理，無論他們在哪里尋求治療？我們期待著與醫(yī)生和患者合作，找出這些問題的答案。