在多个EHR系统中为医院提供决策支持


毫无疑问,数据在医疗保健中越来越重要,但也有一种强烈的感觉,医生自己对数据并不是很感兴趣。我写过last year例如,关于一项研究,探索当病人将自己的数据带入会诊时,医生的感受。

作者说:“我们听到越来越多的医生说,人们把这些数据带到诊所,他们只是被它淹没了。当你管理慢性疾病或症状时,日常生活方式跟踪数据可能很有用,但医生没有办法高效有效地利用这些数据。”

这也许在某种程度上解释了second paper,提出医生本身往往是阻碍病人记录数字化的主要障碍。

麻省理工学院计算机科学与人工智能实验室(CSAIL)的两篇论文旨在帮助医生更好地利用他们所获得的数字信息。

第一个paper记录了一种基于机器学习的方法,称为ICU干预,它使用来自ICU的数据为医生和护士提供一系列症状的最佳治疗。除了提供建议,它还解释了它的理由,以提供一个水平的问责制,这是如此重要的医疗保健。

作者说:“该系统可能会对ICU的医生起到帮助作用,因为ICU是一个高压力,高要求的环境。”“我们的目标是利用医疗记录中的数据来改善医疗保健,并预测可采取的干预措施。”

该项目的目的是提供可采取行动的见解,从而对ICU病房患者的健康结果产生深远的影响。

作者解释说:“以前在临床决策方面的许多工作都集中在诸如死亡率(死亡的可能性)等结果上,而这项工作预测了可操作的治疗方法。”“此外,该系统能够使用单一模型来预测多种结果。”

该系统为五种不同的干预措施提供每小时一次的预测,这些干预措施旨在涵盖各种危重护理需求,如呼吸辅助改善心血管功能。

每小时,系统都会抽出数据,以便在病人笔记和其他数据点的旁边显示生命体征。数据呈现给工作人员的方式是清楚地表明病人离“理想”(平均水平)有多远。

也许更重要的是,该系统还能够预测未来例如,该系统能够准确地判断病人在未来6小时内是否需要呼吸机,这与许多ICU病房30分钟的预测相比,是一个显著的进步。

通过测试,该系统在预测正确干预措施方面优于现有系统,尤其是在预测血管升压剂的需求方面,该系统尤其强大。血管升压剂用于收紧血管,从而升高血压。该团队希望继续开发该系统,使其能够支持个体化护理和对其推荐的治疗进行高级推理。

数据传输

第二个paper记录了一个被称为“EHR模型传输”的系统,该系统旨在促进基于电子健康记录系统的预测模型的使用,即使它是根据来自完全不同系统的数据进行训练的。

这是一项至关重要的工作,因为大多数机器学习模型要求数据以一致的方式存储。许多医院不断变化的EHR系统大大阻碍了利用机器学习的尝试。

这意味着成功的数据传输是一件大事。EHR模型转换使用自然语言处理来识别关键的临床概念,这些概念可能在不同的系统中编码不同。然后这些可以映射到许多临床概念。

当数据需要在不同系统之间传输时,例如当病人移动医院时,该系统特别有用,但医生仍然需要从那些数据中获得洞察。

“医疗保健中的机器学习模型通常存在外部有效性低,跨站点可移植性差的问题,”该团队表示。“作者们设计了一个巧妙的策略,利用医学本体中的先验知识来推导跨两个站点的共享表示,允许在一个站点训练的模型在另一个站点表现良好。我很高兴看到编码医学知识在提高预测模型可移植性方面的这种创造性使用。”

该系统根据其预测病人死亡风险和需要长期住院的能力进行了测试。该系统在一个EHR平台上进行训练,然后在另一个平台上进行测试。它的性能超过了现有的系统,而现有的系统只需要在一个EHR系统上工作。

这两个系统都是使用来自重症监护数据库MIMIC的数据进行训练的,MIMIC包含了大约40,000名重症监护患者的数据。