如何比医生识别患者病情恶化早八个小时

该篇为译文

医疗现状

脓毒症每年在美国夺走近27万人的生命。不可预测的医疗状况可以迅速发展，导致血压迅速下降，组织损伤，多器官衰竭和死亡。

医疗专业人员的及时干预可以挽救生命，但一些败血症治疗也可能导致患者的病情恶化，因此选择最佳疗法可能是一项艰巨的任务。例如，在严重脓毒症的早期，静脉注射过多的液体会增加患者的死亡风险。

为了帮助临床医生避免可能导致患者死亡的补救措施，麻省理工学院和其他地方的研究人员开发了一种机器学习模型，该模型可用于确定比其他方法风险更高的治疗方法。他们的模型还可以在脓毒症患者接近医学死亡时警告医生 - 无论使用何种治疗方法，患者都极有可能死亡 - 以便他们可以在为时已晚之前进行干预。

当应用于医院重症监护病房的败血症患者数据集时，研究人员的模型表明，给予死亡患者的治疗中约有12%是有害的。该研究还显示，大约3%没有存活下来的患者在死亡前48小时内进入了医学死亡。

计算机科学与人工智能实验室（CSAIL）健康ML小组的研究生Taylor Killian说："我们看到，我们的模型比医生识别患者病情恶化的时间早了近八个小时。这很强大，因为在这些真正敏感的情况下，每一分钟都很重要，并且意识到患者病情如何发展，以及在任何给定时间进行某些治疗的风险，这非常重要。"

与 Killian 一起发表论文的还有他的导师，助理教授 Marzyeh ghassembi，健康机器学习小组的负责人和资深作者; 主要作者 Mehdi Fatemi，微软研究院的高级研究员; 和 Jayakumar Subramanian，Adobe India 的高级研究科学家。

数据匮乏

这项研究项目是由Fatemi在2019年撰写的一篇论文推动的，该论文探讨了强化学习探索任意动作的特性非常的危险，这使得很难生成足够的数据来有效地训练算法。在强化学习中，算法通过反复试验进行训练，并学会采取行动，最大限度地提高其奖励的积累。但在医疗保健环境中，几乎不可能为这些模型生成足够的数据来学习最佳治疗方法，因为试验可能的治疗策略是不道德的。

因此，研究人员对强化学习进行了研究。他们使用来自医院ICU的有限数据来训练强化学习模型，以确定要避免的治疗方法，目的是防止患者进入医学死亡。

Killian解释说，了解应该避免什么是一种更有效的统计方法，这种方法需要更少的数据。

当我们想到驾驶汽车的死胡同时，我们可能会认为这是道路的尽头，但你可以把沿着这条路走向死胡同的每一英尺都归类为死胡同。所以，这就是我们定义医学死胡同的方式：一旦你走上了一条无论你做出什么决定，病人都会走向死亡的道路。

这里的一个核心思想是降低选择每种治疗方法的可能性，使其与迫使患者进入医学死亡的机会成比例，这种属性称为治疗安全性。这是一个很难解决的问题，因为数据并不能直接给我们这样的见解。我们的理论结果使我们能够将这个核心思想重新塑造为强化学习问题。

为了开发他们的方法，称为死胡同发现（DeD），他们创建了两个神经网络副本。第一个神经网络只关注负面结果——当病人死亡时——第二个网络只关注积极的结果——当病人幸存下来时。分别使用两个神经网络使研究人员能够在一个神经网络中检测出有风险的治疗方法，然后使用另一个神经网络进行确认。

他们为每个神经网络提供患者健康统计数据和建议的治疗方法。网络输出该治疗的估计值，并评估患者进入医学死亡的可能性。研究人员比较了这些估计值，以设置阈值，以查看情况是否会引起任何标志。

黄旗表示患者正在进入关注区域，而红旗表示患者很可能无法康复的情况。

治疗事项

研究人员使用来自Beth Israel Deaconess医疗中心重症监护室的假定败血症患者数据集测试了他们的模型。该数据集包含约19，300例入院，其观察结果来自72小时，以患者首次出现脓毒症症状为中心。他们的研究结果证实，数据集中的一些患者遇到了医学死亡。

研究人员还发现，20%至40%的未存活患者在死亡前至少举起了一面黄旗，许多人在死亡前至少48小时升起了黄旗。结果还表明，当比较存活患者与死亡患者的趋势时，一旦患者举起他们的第一个标志，施用治疗的价值就会有非常明显的偏差。在做出治疗决定时，第一个标志周围的时间窗口是一个关键点。

这有助于我们确认治疗很重要，治疗在患者如何生存和患者如何生存方面存在偏差。我们发现，超过11%的次优治疗本可以避免，因为当时医生有更好的选择。当你考虑到全球在任何特定时间在医院接受脓毒症的患者数量时，这是一个相当可观的数字。

Ghassemi也很快指出，该模型旨在帮助医生，而不是取代他们。

人类临床医生是我们希望做出护理决定的人，关于避免哪种治疗的建议不会改变这一点。我们可以根据19，000例患者治疗的结果识别风险并添加相关护栏 。这相当于一个护理人员在一整年内每天看到50多个脓毒症患者结果。

展望未来，研究人员还希望估计治疗决策与患者健康演变之间的因果关系。他们计划继续增强该模型，以便它可以围绕治疗值创建不确定性估计，从而帮助医生做出更明智的决定。提供进一步验证模型的另一种方法是将其应用于其他医院的数据，他们希望将来这样做。

这项研究得到了微软研究院，加拿大高级研究所Azrieli全球学者主席，加拿大研究委员会主席以及加拿大自然科学和工程研究委员会发现补助金的部分支持。

公众号粉丝礼包：

后台关键词：python大礼包

整理不易，还请点击在看与分享，谢谢。

我就知道你“在看”