Google研究在加護病房使用機器學習技術，綜合預測病人2天內的不良事件

Google研究人員想要借助機器學習技術技術，最大化加護病房資源使用效率，Google提出了一種稱為序列子網路路由（Sequential Sub-Network Routing，SeqSNR）的多任務學習架構（MTL），能夠良好地根據現實情況的複雜性，做出更全面的預測。該研究的貢獻在於，研究人員成功將SeqSNR應用在加護病房環境，預測病患連續不良事件，即便在缺少訓練資料的情況，也能良好地處理單項任務以及簡單的多重任務。

加護病房負責照顧極脆弱的病患，其中許多病患需要機械式呼吸輔助或是透析來維持生命。加護病房的資源相當吃緊，尤其是在COVID-19大流行期間，面對大量的病患，醫院需要把資源留給最需要的病患，而準確預測加護病房病患的臨床結果，能夠指引治療方法，提供醫護重要的決策訊息，包括人員配置和分流支援。

Google提到，過去將機器學習用於電子健康履歷（EHR）的研究，已經顯示出預測臨床結果的潛力，但是這些機器學習模型，都是基於單任務學習，也就是説，模型僅適用於預測特定的不良事件，像是器官功能衰竭，或是生命支援性干預，而多任務模型，則可以帶來更大的好處，可以考慮競爭風險或是器官系統間的相依性，更全面地預測現實環境中病患的狀況。

研究人員使用免費開放且去識別化的MIMIC-III EHR資料集，該資料集具有36,498名成年患者的資料，包含加護病房患者的多模式紀錄。研究人員提到，與其他機器學習所使用的資料集不同的地方是，輸入和目標之間的關係通常沒有明確定義，需要從資料推理出來，因此研究人員根據基於規則的自動化方法，以及臨床審查，定義了一系列不同的目標，包括重症醫療干預、特定器官功能衰竭等。

研究人員設計模型要能預測患者進入加護病房後，24到48小時間的一系列不良事件，這些不良事件諸如急診性腎損傷、連續性腎臟替代療法透析、死亡率和剩餘住院時間等。研究人員解釋，雖然多任務學習可以捕捉器官系統之間的相依關係並且平衡風險，但是實作上通常會面臨聯合學習的任務，互相干擾的負遷移（Negative Transfer）問題，而SeqSNR的特性，能過濾掉與任務相關性低的資料，最大程度降低負遷移，簡單來說，也就是每個任務都會使用不同的模型路徑。

MIMIC-III資料集包含性別和年齡，但是不包含人種資訊，研究人員計算了在不同年齡和性別子群的模型，在資料集很少的情況，SeqSNR預測的結果通常優於單任務學習模型。這項研究是將SeqSNR用於EHR預測任務的概念性驗證，研究團隊已經公開架構程式碼，希望能夠促進更多的臨床預測研究。

研究人員提到，SeqSNR的效能與任務、時間和資料集有關，擁有人種等額外的人口訊息，將有助於提升演算法效能。目前的研究都僅是雛形，會需要更嚴格的評估，才能在實際場景使用該工具。