Google AI研究團隊近日在官方部落格中發表靠深度學習模型分析電子病歷的成果,該深度學習模型可預測病患住院期間的死亡率、意外的回院風險、住院天數和出院病情。

當病患到醫院看診時,許多病患都會對於下一步會發生什麼事有很多疑問,像是康復的時間、回診的時間等,若對於這些問題有準確的答案,將可以協助醫師或是護理人員能夠給予病患更好、更安全、更快速的醫療服務,若病患的病情是會持續惡化的,醫生也可以主動在病情惡化前,採取適合的醫療行為。

預測接下來的狀況是機器學習模型很常見的應用場景,而Google的AI研究團隊試想,用於預測通勤交通狀況,或是在機器翻譯中預測下一個字的機器學習模型,是否能夠用在臨床醫療預測上,並著手開始進行,要對真實世界產生有效的預測必須要有2個條件:廣泛適用度和準確度。

簡單來說,預測模型必須可以套用在不同醫院的系統中,因為健康照護的資料相當複雜,且需要大量的資料處理工作,而模型的準確度也是一大關鍵,預測應該是用來提醒臨床的醫師,而不是因為假警報來打擾醫師的工作。

Google AI研究團隊與加州大學舊金山分校、史丹佛大學醫學院、芝加哥大學醫學院一同合作,發表了用於辨識電子病歷的深度學習模型,且符合廣泛適用度和準確度兩項目標。

研究團隊先將電子病去識別化,將敏感的資料移除之後,用深度學習模型直接辨識電子病歷上的資歷,不需要人工手動萃取、清理或是轉換資料。

該團隊表示,電子病歷的資料相當複雜,就算是體溫測量都有多種不同的方式,且體溫只是一個簡單的生命跡象指標,甚至,每個醫療資訊系統也會有客製化的電子病歷系統,因此,即便在不同的醫院接受類似的醫療行為,從每家醫院收集到的電子病歷都會不相同,在透過機器學習辨識這些資料之前,需要一套一致性的方式來呈現病患的病歷記錄,因此,Gogole建立了一套快捷式健康照護互操作性資源的標準FHIR。

有了統一的標準格式之後,團隊就不需要手動挑選或是調整變數,深度學習模型能夠讀取病患所有的病歷資料,來產生的預測,由於分析的資料集包含上千個變數,Google AI團隊開發了新的深度學習模型種類,透過回饋式遞歸神經網路(RNN)和前饋式(Feedforward)神經網路。

Google強調,該模型還能將預測的決策視覺化,將預測過程中較主要的變數呈現給臨床醫師,讓醫師更能夠採信預測結果。

 


熱門新聞

Advertisement