【外電】機器學習助力疾病診斷、減少再入院

日前，在HIMSS 2018大會上，來自Grady Health System、Kaiser Permanente和匹茲堡大學醫(yī)學中心的三位演講者分享了以機器學習和人工智能為重點的研究方面的數(shù)據(jù)，證明這些技術能降低成本、改善醫(yī)療效果。

據(jù)了解，這些研究由Grady Health System、Kaiser Permanente和匹茲堡大學醫(yī)學中心的團隊進行，主要專注于將電子健康檔案（EHR）表明存在特定風險的成人和兒科患者標出來，包括再入院接受治療或未篩查出來的結腸直腸癌。

一、預測再入院率，通過干預減少實際再入院

UPMC匹茲堡兒童醫(yī)院的首席醫(yī)療信息官Srinivasan Suresh醫(yī)學博士表示：“這些與人工智能有關的技術已蔚然成風。它們具有非常強的變革力量，也非常具有顛覆性，所以將其整合到臨床工作場所中時要極其謹慎。一個關鍵的方面在于先是臨床醫(yī)生之間的合作，然后是醫(yī)療服務機構與數(shù)據(jù)科學家和軟件工程師之間的合作?！?/p>

Suresh先描述了這樣的機器學習技術：旨在預測兒科患者30天內各種原因導致的再入院，同時測量記錄的藥物、生命體征、人口統(tǒng)計數(shù)據(jù)和住院時間等因素，比如。Suresh及其同事在三個月的靜默測試期間對患者出院再入院“高風險”的預測準確率達到79%后，根據(jù)預測對106位患者進行相應的干預，然后主動聯(lián)系患兒的護理人員。

他說：“要記住一點，這個樣本非常小，如果我們撥打三四個電話，再入院率從16%這一基準線降到10%左右，這改變了游戲規(guī)則。如果你想要獲得成本數(shù)據(jù)，每名患者的平均成本在2000美元到10000美元之間?！?/p>

二、將人工智能整合到移動綜合健康項目中，努力減少再入院

Grady Health System的執(zhí)行董事Robin Frady介紹了自己團隊開展的工作：將人工智能整合到移動綜合健康項目中，努力減少再入院。將此項目落實到1720名患者上，使系統(tǒng)得以干預并避免了113起再入院。由于每起入院估計可節(jié)省11200美元，該團隊扣除實施成本后的總回報超過110萬美元，僅用了不到一年的時間。

Frady說：“到頭來，由于我們對患者取得一些小規(guī)模的成功，我們能夠獲得高層領導及其他部門的認可。我們學到的一點是，你應該從問題入手，然后說‘嗨，這個技術可以幫助你解決難題?！?/p>

三、機器學習助力患者疾病診斷

Kaiser Permanente健康研究中心的研究員Elizabeth Liles醫(yī)學博士演示了機器學習如何為未確診的結腸直腸癌風險加大的成人患者分析電子病歷（EMR）數(shù)據(jù)。這項研究包括該醫(yī)療集團年齡在40歲至89歲的9108名對照人員和900名癌癥患者，常常能在常規(guī)臨床診斷之前180天-360天將高風險患者的結腸直腸腫瘤標注出來。