大家都有住院的經(jīng)驗，入院之后總會對接下來的事情，充滿擔(dān)憂。尤其是病患會不斷在心里問自己：「我什么時候可以回家？我會好起來嗎？我還要回診嗎？」

如果醫(yī)師與護理師能夠準(zhǔn)確回答這些問題，有助于完善、安全且高效率地護理患者。若病患的健康狀況惡化，醫(yī)護人員也能搶得先機，主動采取措施。

透過人工智能去預(yù)測事態(tài)發(fā)展，已經(jīng)非常普遍。我們用它來預(yù)測通勤途中的交通狀況，或把英文翻譯成西班牙語時，預(yù)測可能需要用到的詞匯。同樣的道理，我們是否能應(yīng)用相同類型的機器學(xué)習(xí)進行「臨床預(yù)測」呢？

這樣的預(yù)測模型要能夠有實用價值，須具備以下兩點特征：

一、可擴展性：該預(yù)測模型要能進行多項預(yù)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)。有鑒于醫(yī)療保健數(shù)據(jù)相當(dāng)復(fù)雜，需要進行大量數(shù)據(jù)處理，這樣的要求可能不容易滿足。

二、準(zhǔn)確性：預(yù)測結(jié)果要能幫助醫(yī)生關(guān)注到真正的病灶所在，不能誤導(dǎo)醫(yī)生去注意到不相干的地方。隨著電子病歷普及，我們刻正嘗試用其中的數(shù)據(jù)建立更加精準(zhǔn)的預(yù)測模型。

我們聯(lián)合加州大學(xué)舊金山分校、史丹佛大學(xué)醫(yī)學(xué)院（Standford University School of Medicine）和芝加哥大學(xué)醫(yī)學(xué)院的同事，在《自然》雜志的兄弟期刊—《數(shù)字醫(yī)學(xué)》上發(fā)表了題為《可擴展且精準(zhǔn)的深度學(xué)習(xí)與電子健康記錄》的論文。這篇論文有助于實現(xiàn)前述兩個目標(biāo)。

以保護個資為原則處理后的電子病歷數(shù)據(jù)為基礎(chǔ)，我們用深度學(xué)習(xí)模型對住院患者進行了廣泛預(yù)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，先對相關(guān)敏感個資內(nèi)容做了適當(dāng)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(yán)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(fù)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(dǎo)致各個醫(yī)院的采集的數(shù)據(jù)大不相同。用機器學(xué)習(xí)處理這些數(shù)據(jù)之前，需要先將其統(tǒng)一格式。基于開放的FHIR標(biāo)準(zhǔn)，我們構(gòu)建了一套標(biāo)準(zhǔn)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(yù)測時，深度學(xué)習(xí)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(yù)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(luò)（RNN）和前饋網(wǎng)絡(luò)的新型深度學(xué)習(xí)建模方法。

▲用時間線展示患者電子病歷中的數(shù)據(jù)。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(biāo)準(zhǔn)。深度學(xué)習(xí)模型通過從左往右掃描時間表，分析患者從圖標(biāo)開頭到現(xiàn)在的住院信息，并據(jù)此進行不同類型的預(yù)測。

▲患者入院24小時后，使用深度學(xué)習(xí)進行預(yù)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)，以最近的數(shù)據(jù)做放大顯示。模型以紅色標(biāo)識患者信息圖表中用于「解釋」其預(yù)測的信息。此研究案例中，模型標(biāo)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(xué)習(xí)可用于改善醫(yī)療保健這一假設(shè)，還有很多工作要做，本文不過是個開始。醫(yī)生正窮于應(yīng)付各種警報和需求，機器學(xué)習(xí)模型是否能幫助處理繁瑣的管理任務(wù)，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。