Credit: Unsplash/CC0公共领域 大约9%的癌症患者在住院期间会出现并发症,导致病情恶化、转移到重症监护室甚至死亡
圣路易斯华盛顿大学的多学科研究团队
路易正在开发一个基于机器学习的早期预警系统模型,以预测病情恶化并改善患者的预后
麦克勒维工程学院的Fullgraf教授Chenyang Lu与合作者包括医学学院的医学教授、Barnes-jewel ish医院的医学重症监护室和呼吸护理服务主任Marin Kollef医学博士和医学学院的医学讲师Patrick Lyons医学博士最近为住院癌症患者开发了一个新的预测模型,该模型整合了电子健康记录中的异构数据(EHR)
卢(音译)和(音译)是该实验室的博士生,也是该论文的第一作者,他们利用巴尼斯-犹太医院2万多名癌症住院患者的历史、未识别数据,找到了一种方法,将两类有价值的数据整合到深度学习模型中,这些模型可能会提供关于患者病情的线索:静态数据,或入院时收集的数据,如人口统计、其他医学诊断或以前住院的信息;以及在住院期间重复收集的时间序列数据,包括体温、血压、药物和测试结果
李介绍了他们的工作成果
3在计算机器协会信息和知识管理会议上
鲁说,由于静态和时间序列数据包含与临床恶化相关的补充信息,因此预测模型利用这两种类型的变量来最大化其准确性是很重要的
物联网、网络物理系统和临床人工智能专家陆表示:“数据中隐藏的早期迹象表明,一个人将在几小时或几天内出现临床恶化。”
“人类无法在数据中看到这些隐藏的模式或趋势,所以这就是机器学习非常擅长提取这些模式的地方
" 卢和他的团队使用了一个递归神经网络(RNN)模型,该模型最初是为时间序列数据设计的,并使用多模态融合方法对其进行了增强,以纳入静态数据
他们的端到端模型,称为CrossNet,学习如何预测恶化事件,同时准确地输入任何丢失的静态或时间序列数据
这种结合静态和时间序列数据的新方法结合了深度递归模型的力量和EHR异构数据的优势
理想情况下,一个早期预警系统会从病人的数据中得知病人病情恶化的迹象,这将激活一个警报,将医疗保健提供者叫到床边
然而,这种系统的风险之一是,警报会发出如此频繁的声音,可能是由虚假警报触发的,以至于医疗保健提供者会产生警报疲劳并最终停止响应
在现实的住院护理环境下的一项案例研究中,Lu和团队设定了24小时内48次通知的阈值,即每30分钟一次
该团队随后实施了一个更主动的早期预警系统,在该系统中,警报率可能很高,但错误警报的数量有限,以避免警报疲劳
在相同的误报率下,该团队的CrossNet模型捕获了39个
5%的临床恶化事件,而许多医院使用的现有模型“修改后的早期预警评分”(MEWS)仅捕捉到3个
9%的相同事件
虽然这种模式有潜力,但卢正在与团队中的医生合作,以确定在医院环境中实施这种模式的最佳方式
科尔勒夫说,巴恩斯犹太医院已经使用一个更简单的预警系统大约15年了
经过一些评估后,来自该系统的警报被发送到早期响应团队,该团队可以评估和分流患者
科尔勒夫说:“除非与干预挂钩,否则警报毫无意义。”
“有人很容易从机器中提取数据并对其进行分析,但你用它做什么?这就是挑战
" 在重症监护室工作了35年的科尔勒夫说,预警系统是朝着正确方向迈出的一步,里昂等合作者是实施这一系统的关键
“癌症患者通常非常虚弱,已经接受了严密的监测,”信息学临床医生莱昂斯说
“通过化疗和其他治疗,他们产生了大量数据,很难以有意义的方式进行分类
我们想用这个模型来提炼出哪些数据可以为医疗保健提供者指明明确的方向
" 里昂表示,该团队正在寻求资金,以围绕他们的模型建立基础设施,并对其进行测试,看看它是否能改善护理流程
与此同时,他正在与病人和护士进行焦点小组讨论,以确定他们的优先事项
来源:由phyica.com整理转载自PH,转载请保留出处和链接!