您的位置:首页 >科技 >

机器学习可以减少测试 改善重症监护患者的治疗

2019-01-25 00:48:47来源:

重症监护病房的医生面临着持续的困境:他们下令进行的每次验血都会产生关键信息,但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,帮助临床医生更有效地监测患者的病情,并为特定患者订购实验室检测的最佳机会做出决策。

研究生Li-Fang Cheng和Niranjani Prasad使用来自6,000多名患者的数据,与计算机科学副教授Barbara Engelhardt合作设计了一个既能降低测试频率又能改善关键治疗时机的系统。该团队于1月6日在夏威夷的太平洋生物计算研讨会上展示了他们的成果。

该分析集中在测量乳酸,肌酐,血尿素氮和白细胞的四项血液测试。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是考虑是否可以减少实验室测试的数量,我们开始关注最有序的[血液测试]面板,”该研究的共同主要作者,与Prasad一起表示。

研究人员使用MIMIC III数据库,其中包括波士顿Beth Israel Deaconess医疗中心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6,060名成年人的一部分,他们在ICU中停留了1到20天,并测量了常见的生命体征和实验室测试。

该研究的高级作者恩格尔哈特说:“这些医学数据,正如我们所讨论的那样,在过去一两年内基本上可以通过机器学习方法对其进行分析。”“这太棒了,也是一个很好的机会。”

团队的算法使用“奖励功能”,根据测试在给定时间的信息量来鼓励测试订单。也就是说,如果患者的状态与上次测量显着不同,并且测试结果可能表明临床干预如启动抗生素或通过机械辅助呼吸,那么在进行测试时会有更大的回报。通风。同时,该功能会增加对测试的货币成本和患者风险的惩罚。Prasad指出,根据具体情况,临床医生可以决定优先考虑其中一个组件而不是其他组件。

这种方法称为强化学习,旨在推荐最大化奖励功能的决策。这会将医学检测问题视为“顺序决策问题”,即您在过去的时间段内考虑所有决策和所有状态,并决定在当前时间应该做什么以最大化对病人的期望奖励,“计算机科学研究生普拉萨德解释说。

普林斯顿计算科学与工程研究所(PICSciE)的相关教员Engelhardt表示,为临床环境及时整理这些信息需要相当大的计算能力。Cheng是一名电气工程专业的研究生,她与她的联合顾问Kai Li,Paul M.和Marcia R. Wythes计算机科学教授一起,使用PICSciE资源来运行团队的计算。

为了测试他们开发的实验室测试政策的效用,研究人员比较了将他们的政策应用于实际用于训练数据集中的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,机器学习算法生成的策略将导致与医院中使用的实际策略相比改善的奖励值。在大多数情况下,算法也优于随机策略。乳酸盐检测是一个值得注意的例外;这可以通过相对较低的乳酸测试顺序来解释,导致测试信息量的高度差异。

总的来说,研究人员的分析表明,他们优化的政策会产生比临床医生所遵循的实际检测方案更多的信息。在白细胞测试的情况下,使用该算法可以将实验室测试订单的数量减少多达44%。他们还表明,当患者的病情开始恶化时,这种方法可以帮助临床医生更快地进行干预。

“根据该方法开发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降低到足以需要治疗,平均而言,临床医生实际根据临床医生订购的实验室开始治疗前4小时,”恩格尔哈特。

埃默里大学生物医学信息学助理教授Shamim Nemati表示,“关于适当的实验室测量频率,在重症监护中缺乏基于证据的指导原则。”他没有参与这项研究。“数据驱动的方法,如Cheng和共同作者提出的方法,结合对临床工作流程的深入了解,有可能减少图表负担和过度测试的成本,并改善态势感知和结果。”

Engelhardt的团队正在与Penn Medicine的Predictive Healthcare Team的数据科学家合作,在未来几年内在诊所中引入这一政策。Penn高级数据科学家Corey Chivers表示,这些努力旨在“为超级大国提供其他领域的其他人的超级大国”。“获得机器学习,人工智能和大量数据的统计建模”将有助于临床医生“做出更好的决策,并最终改善患者的治疗效果,”他补充说。

“这是我们第一次能够采用这种机器学习方法并实际将其置于ICU或住院医院环境中,并以一种患者不会面临风险的方式为护理人员提供建议,“恩格尔哈特说。“这真的很新奇。”

这项工作得到了海伦希普利亨特基金的支持,该基金支持旨在改善人类健康的研究;以及支持人工智能和机器学习研究的Eric和Wendy Schmidt战略创新基金。