早期预警系统模型预测癌症病人的恶化
大约9%的癌症患者并发症的经验而住院治疗,导致病情恶化,转移到重症监护室,甚至死亡。一个多学科小组的圣路易斯华盛顿大学的研究人员正在开发一种基于机器学习预警系统模型来预测这种恶化和改善病人的结果。
Chenyang Lu, Fullgraf麦凯维工程学院的教授,与合作者包括马林Kollef, MD, Golman医学院的医学教授兼医学重症监护室和呼吸道护理服务在barnes - jewish医院做的,和帕特里克•里昂,医学博士,讲师在医学院的医学,最近开发了一种新的预测模型对住院癌症患者异构数据集成电子健康记录(EHR)。
使用历史,去除了识别信息的数据来自20000多个巴恩斯医院住院治疗的癌症患者,Lu和Dingwen李,在他的实验室里,一位博士生论文的第一作者,找到一种方法将两种类型的有价值的数据深度学习模型可以提供线索病人的条件:静态数据,或数据收集时承认,如人口、其他医疗诊断或信息从之前的住院治疗;时间序列数据,收集反复住院期间,包括体温、血压、药物和测试结果。
李提出他们的工作成果在计算机协会11月3日会议信息和知识管理。
静态和时间序列数据包含互补信息相关的临床恶化,是很重要的一个预测模型利用两种类型的变量来最大化其准确性,陆说。
“有隐藏在数据,早期迹象表明,一个人将开发临床恶化几个小时或几天,”陆说,物联网专家cyber-physical系统和临床人工智能。“人类无法看到这些隐藏的模式或趋势的数据,这是哪里机器学习在捡起这些模式很好。”
鲁和他的团队使用了一个递归神经网络(RNN)模型,最初被设计为时间序列数据和增强它将静态数据使用多通道融合的方法。他们的端到端模型,称为CrossNet,学习如何准确预测恶化事件而改动任何失踪的静态或时间序列数据。这部小说包含静态方法和时间序列数据结合的力量深复发模型和异构数据的EHR的好处。
理想情况下,一个早期预警系统会从病人的数据病人恶化的迹象,这将激活警报要求卫生保健提供者的床边。然而,这样一个系统的一个风险是,警报将声音如此频繁,可能引发的假警报,卫生保健提供者将开发报警疲劳并最终停止响应。
在一个案例研究在现实的住院保健设置,Lu和团队设定一个阈值48通知24小时内,每30分钟或一个。团队实施更加积极主动的早期预警系统,报警率会高,但数量假警报是有限的,以避免报警疲劳。具有相同的误警率,团队的CrossNet模型捕获39.5%的临床恶化事件,而现有的模型使用的许多医院称为改良早期预警评分(MEWS)捕获只有3.9%相同的事件。
陆模型虽然有潜力,正在与医生团队来决定最好的方法实现它在医院设置。
Kollef巴恩斯说医院已经使用一个简单的早期预警系统大约15年了。经过评估,从系统发送警报到早期反应小组,评估和治疗的病人。
“警报是毫无意义的,除非它与干预,“Kollef说。“很容易有人将数据从一台机器和分析它,但你用它做什么?这就是挑战。”
Kollef,在重症监护室工作了35年,说一个早期预警系统是一个正确方向的一步,和合作者,如里昂是实现这样一个系统的关键。
“患者癌症往往非常虚弱和脆弱,已经强烈的监控,”里昂说informatics-based临床医师。“化疗和其他治疗方法,他们产生大量的数据,很难整理以一种有意义的方式。我们想利用这个模型来提取哪些数据将卫生保健提供者指向一个明确的方向。”
里昂说,团队正在寻求资金建立一个基础设施在模型和测试它是否可以提高医疗服务的过程。与此同时,他在做焦点小组和病人和护士来确定他们的优先级。
进一步探索
