深度CMU邢波教授团队再出新成果利用深度

　　雷锋网消息，随着电子健康记录（EHR）系统以及新的医疗保健数据源的快速发展，医疗和保健数据大量出现。数据量和复杂性的增长，医学分析和决策变得耗时、容易出错，并且不理想。在各种临床决策中，制定理想的治疗方案是至关重要并且很有难度的一个。即使在确诊的前提下，医生仍需根据患者病程不断优化治疗方案。其中，在患者入院之后进行出院用药预测就是一个重要的临床决策，它可以帮助医生规划药物种类，并决定在住院期间何时开始或停止药物治疗，因为有些药物需要时间补充，或者进行管理其他药物的设置。这对于医生来说可能是一个困难的决定，因为入院时可用的信息是有限的。雷锋网几天前曾报道了《CMU邢波教授团队最新成果：利用AI自动生成医学影像报告》。近日，该团队又出新成果，研究如何使用深度学习技术来协助医生根据病人就诊记录中的健康信息来预测其出院用药。他们设计了一种卷积神经网络来分析就诊记录，然后预测病人在出院时的用药。雷锋网了解到，该模型可以从非结构化和有噪声的文本中提取语义表征，并能自动学习不同药物之间的药理相关性。团队在2.5万份病人就诊记录上对该模型进行了评估，并与4种基准模型进行了比较。在宏平均F1分数上，该方法相对于最好的基准模型有20%的提升。用深度学习预测出院药物的两大困难在利用深度学习方法在入院就诊时间对出院药物进行预测的过程中，主要有两方面的困难。首先，可用的就诊信息大多数都是非结构化的病历记录（称为入院记录），比如既往病史、家族史、过敏等情况。与实验室检测数据和体征数据等结构化信息相比，这些自由形式的文本更难被机器处理和理解。此外，这些记录还包含了同义词、缩写和拼写错误。因此，从这些非结构化且有噪声的文本中有效提取语义模式是我们需要解决的第一个问题。其次，在临床上，为了快速并有效的治愈疾病，常常会使用两种或两种以上的药物，许多联合用药的方案在临床治疗指南或专家共识中被广泛认可。例如，对已服用阿司匹林的中风病人，为了有效预防再次中风的发生，医生会推荐双联抗血小板治疗（dualanti-platelettherapy），即同时服用阿司匹林和氯吡格雷。大量研究表明多重药物的联合治疗对疾病的进展，预后及死亡事件的发生都有一定的影响。如何自动发现和利用药物之间的这种相关性，对于更准确的多药物预测是至关重要的，这也是非常有价值的。方法研究设计我们在之前收集到的重症监护病房（ICU）病人的电子健康记录进行了回顾性研究（retrospectivestudy），根据就诊记录构建了一个预测出院用药的深度学习模型。我们对比了该模型和其他四个基准模型所预测的药物与医生给出的药物的区别，从而评估了模型的性能。数据预处理该研究使用了MIMIC-III数据集并且重点

转载请注明：http://www.aifund.net/jj/19091.html