Новые возможности использования машинного обучения Ai в системе здравоохранения
Привет. Сегодня врачи часто теряют много времени анализируя сигналы кардиограмм, результаты анализов и другие показателей для постановки диагноза. Все эти данные бывает трудно интегрировать и контролировать сразу для нескольких пациентов при принятии решений в режиме реального времени, особенно когда данные документируются в больницах и поликлиниках не последовательно.
В новой паре работ исследователи из лаборатории компьютерных наук и лаборатории искусственного интеллекта (CSAIL) MIT изучают способы использования машин, чтобы помочь врачам принимать более обоснованные и быстрые медицинские решения.
Одна команда создала метод машинного обучения под названием «ICU Intervene», который принимает большое количество данных интенсивной терапии (ICU), от жизненно важных функций и лабораторных анализов до заметок и демографических данных, чтобы определить, какие виды лечения необходимы для разных симптомов. Система использует «глубокое обучение», чтобы анализируя прошлые случаи постановки диагнозов, делать прогнозы по необходимому лечению, а также объяснять причины этих решений.
Эта система потенциально может быть полезной для врачей в отделениях интенсивной терапии, которая представляет собой среду с высоким уровнем стресса и высокой ценой времени. Цель состоит в том, чтобы использовать данные из медицинских историй болезни для улучшения здравоохранения и прогнозирования необходимого лечения.
Другая команда разработала алгоритм под названием «EHR Model Transfer» (Модель переноса данных электронных медицинских карт), который может облегчить применение прогностических моделей в электронной системе здравоохранения, несмотря на то, что они обучены с использованием данных из другой системы. В частности, используя этот подход, команда показала, что прогностические модели смертности и длительной продолжительности пребывания в палате интенсивной терапии могут браться для машинного обучения в одной системе электронных медицинских карт и использоваться для прогнозирования в другой.
Обе модели прошли обучение с использованием информации из базы данных по критическому уходу, которая включает в себя данные, отобранные из карт примерно 40 000 пациентов.
Интегрированные данные отделений интенсивной терапии имеют жизненно важное значение для автоматизации процесса прогнозирования результатов лечения пациентов.
Большая часть предыдущей работы по клиническому принятию решений была сосредоточена на таких результатах, как смертность (вероятность смерти), в то время как новая работа предсказывает приемлемые методы лечения. Кроме того, система может использовать одну модель для прогнозирования множества разных результатов.
Отделения интенсивной терапии фокусируются на ежечасном прогнозе пяти различных вмешательств, которые охватывают самые разнообразные потребности в неотложной помощи, такие как помощь при дыхании, улучшение сердечно-сосудистой функции, снижение артериального давления и флюоротерапия.
Каждый час система извлекает значения из данных, которые отражают состояние жизненно важных признаков, а также клинические заметки и другие данные. Все данные представлены со значениями, указывающими, насколько далеко данные пациента находится от нормальных значений (чтобы оценить дальнейшие методы лечение).
Важно отметить, что отделения интенсивной терапии могут делать прогнозы далеко в будущее. Например, модель может предсказать, понадобится ли пациенту аппарат искусственного дыхания через шесть часов, а не через 30 минут. Команда также сосредоточилась на предоставлении обоснований прогностических моделей, давая врачам больше возможностей.
Прогностические модели с глубокой нейронной сетью в медицине часто подвергаются критике за их характера «черного ящика». Однако, эти методы с высокой точностью прогнозируют начало и конец медицинских вмешательств и способны продемонстрировать хорошую интерпретируемость своих прогнозов.
Команда обнаружила, что система превзошла предыдущую работу по прогнозированию вмешательств и особенно хороша в прогнозировании необходимости в вазопрессорах, препаратах, которые воздействуют на кровеносные сосуды и повышают кровяное давление.
В будущем исследователи будут пытаться улучшить процедуры медицинского вмешательства в отделениях интенсивной терапии, чтобы иметь возможность оказывать более индивидуальную помощь и предоставлять более продвинутые аргументы в пользу принятия решений.
Другим важным соображением для использования данных отделений интенсивной терапии является то, как они хранится сейчас и что может произойти в случае, если этот метод хранения изменяется. Существующие модели машинного обучения требуют, чтобы данные кодировались однообразным способом, поэтому тот факт, что больницы часто меняют свои системы электронных карт, может создать серьезные проблемы для анализа и прогнозирования данных.
Именно здесь и находит свое применение разработанная модель. Этот подход работает в разных версиях платформ по хранению электронных карт, используя обработку естественного языка для определения клинических концепций, которые кодируются по-разному в разных системах, а затем сопоставляют их с общим набором клинических концепций (таких как «артериальное давление», и "сердечный ритм").
Модели машинного обучения в сфере здравоохранения часто страдают от низкой внешней достоверности и плохой обрабатываемости на разных платформах. Новая система машинного обучения позволит решить одну из сложных проблем внедрения новых технологий в сферу здравоохранения. С помощью "EHR Model Transfer" команда проверила способность своей модели предсказать два результата: смертность и длительность необходимого пребывания в отделении интенсивной терапии. Они обучали свой Ai-алгоритм на одной платформе EHR, а затем тестировали свои прогнозы на другой платформе. Результаты позволяют оптимистично смотреть в будущее использования технологий искусственного интеллекта для снижения уровня смертности пациентов.
