预警系统模型预测住院癌症患者的恶化
大约9％的癌症患者在住院时经历并发症，导致病情恶化，转移到重症监护病房甚至死亡。圣路易斯华盛顿大学研究人员的多学科团队正在开发一种基于机器学习的预警系统模型，以预测这种恶化并改善患者的结果。
麦凯维工程学院的Fullgraf教授Chenyang Lu与包括Marin Kollef，医学博士，Golman医学教授，医学重症监护室主任以及Barnes-Jewish医院和帕特里克·里昂斯（Patrick Lyons）的Marin Kollef，医学重症监护室和呼吸护理服务医学院医学讲师最近开发了一种新的预测模型癌症患者整合了电子健康记录（EHR）中可用的异质数据。他们的工作结果在2021年11月3日的信息与知识管理协会（ACM）会议上呈现。
使用历史，识别的数据，来自20,000多名在Barnes-Jewish Hospital，Lu和Dingwen Li的癌症患者的历史，博士生和本文的第一作者Dingwen Li，找到了一种将两种类型的有价值数据整合到中的方法。可能提供有关患者病情的线索的深度学习模型：静态数据或入院时收集的数据，例如人口统计，其他医疗诊断或先前住院的信息；和时间序列数据，该数据在住院期间反复收集，包括体温，血压，药物和测试结果。Lu说，由于静态和时间序列数据包含与临床恶化有关的互补信息，对于预测模型而言，利用两种变量以最大化其准确性很重要。
“数据中隐藏了一些早期的迹象，表明一个人将在几个小时或几天内发展临床恶化，”物联网，网络物理系统和临床人工智能的专家卢说。“人类看不到数据中的这些隐藏模式或趋势，因此这是机器学习非常擅长拾取这些模式的地方。”
Lu和他的团队使用了一个经常性的神经网络（RNN）模型，该模型最初是为时间序列数据而设计的，并增强了它以使用多模式融合方法合并静态数据。他们的端到端模型称为CrossNet，学习了如何预测变质事件，同时准确地推出任何缺失的静态或时间序列数据。这种新型企业的静态和时间序列数据的方法结合了深度复发模型的力量以及EHR中异质数据的好处。
理想情况下，预警系统将从患者的数据中学习到患者正在恶化的迹象，这会激活一个警报将医疗保健提供者召集到床边。但是，这种系统的风险之一是，警报听起来很频繁，可能是由错误警报触发的，以至于医疗保健提供者会出现警报疲劳并最终停止响应。在现实的住院护理设置下的案例研究中，LU和团队在24小时内或每30分钟设定了48个通知的门槛。然后，团队实施了一个更积极的预警系统，该系统警报率可能很高，但错误警报的数量限制以避免警报疲劳。该团队的交叉网模型以相同的错误警报率捕获了39.52％的临床恶化事件，而许多医院使用的现有模型称为修改后的预警得分（MEWS），仅捕获了相同事件的3.92％。
尽管该模型具有潜力，但LU正在与团队的医生合作，以确定在医院环境中实施它的最佳方法。
科尔夫说，巴恩斯 - 犹太医院已经使用了更简单的预警系统已有15年了。经过一定的评估，该系统的警报被发送给一个可以评估和分类患者的早期响应团队。
科尔夫说：“除非与干预有关，否则警报是毫无意义的。”“对于某人来说，从机器中获取数据并分析它很容易，但是您如何处理？这是一个挑战。”
科尔夫（Kollef），曾在重症监护室在35年的时间里，说预警系统是朝着正确方向迈出的一步，例如里昂等合作者是实施这种系统的关键。
基于信息学的临床医生里昂说：“患有癌症的患者通常非常病态和脆弱，并且已经受到了强烈的监测。”“借助化学疗法和其他疗法，它们产生了许多数据，这些数据很难以有意义的方式进行整理。我们希望使用此模型来提炼哪些数据将医疗保健提供者指向明确的方向。”
里昂说，团队正在寻求资金来建立基础设施模型并测试它以查看它是否改善了护理过程。同时，他正在与患者和护士进行焦点小组以确定其优先事项。
进一步探索
