以深度学习分析电子病历，进行临床预测

大家都有住院的经验，入院之后总会对接下来的事情，充满担忧。尤其是病患会不断在心里问自己：「我什么时候可以回家？我会好起来吗？我还要回诊吗？」

如果医师与护理师能够准确回答这些问题，有助于完善、安全且高效率地护理患者。若病患的健康状况恶化，医护人员也能抢得先机，主动采取措施。

透过人工智能去预测事态发展，已经非常普遍。我们用它来预测通勤途中的交通状况，或把英文翻译成西班牙语时，预测可能需要用到的词汇。同样的道理，我们是否能应用相同类型的机器学习进行「临床预测」呢？

这样的预测模型要能够有实用价值，须具备以下两点特征：

一、可扩展性：该预测模型要能进行多项预测，得出所有我们想要的信息，并且适用于不同医院的系统。有鉴于医疗保健数据相当复杂，需要进行大量数据处理，这样的要求可能不容易满足。

二、准确性：预测结果要能帮助医生关注到真正的病灶所在，不能误导医生去注意到不相干的地方。随着电子病历普及，我们刻正尝试用其中的数据建立更加精准的预测模型。

我们联合加州大学旧金山分校、史丹佛大学医学院（Standford University School of Medicine）和芝加哥大学医学院的同事，在《自然》杂志的兄弟期刊—《数字医学》上发表了题为《可扩展且精准的深度学习与电子健康记录》的论文。这篇论文有助于实现前述两个目标。

以保护个资为原则处理后的电子病历数据为基础，我们用深度学习模型对住院患者进行了广泛预测。值得一提的是，该模型可以直接使用原始数据，无需人工对相关变量进行提取、清洗、整理、转换等一系列费时费力的操作。合作伙伴在将电子病历数据交给我们之前，先对相关敏感个资内容做了适当处理。我们也采用了最先进的措施保障数据安全，包括逻辑分隔、严格的访问控制，以及静态和传输中的数据加密。

可扩展性

电子病历非常复杂。以体温为例，因测量位置不同（舌头下方、耳膜或额头），其往往具有不同含义。而体温不过是电子病历众多参数中最简单的之一。此外，各个卫生系统都有一套自己定制的电子病例系统，导致各个医院的采集的数据大不相同。用机器学习处理这些数据之前，需要先将其统一格式。基于开放的FHIR标准，我们构建了一套标准格式。

格式统一后，我们就不需要手动选择或调整相关变量了。进行各项预测时，深度学习模型会自动扫描过去到现在的所有数据点，并分析其中哪些数据对预测是有价值的。由于这一过程涉及数千个数据点，我们不得不开发了一些基于递归神经网络（RNN）和前馈网络的新型深度学习建模方法。

▲用时间线展示患者电子病历中的数据。我们按行显示各种类型的临床数据，其中每个数据片段都用灰点表示，它们被存储在 FHIR 中。 FHIR 是一种可供任何医疗机构使用的开放式数据标准。深度学习模型通过从左往右扫描时间表，分析患者从图标开头到现在的住院信息，并据此进行不同类型的预测。

▲患者入院24小时后，使用深度学习进行预测。上图顶部的时间表包含了患者几个月时间的历史数据，以最近的数据做放大显示。模型以红色标识患者信息图表中用于「解释」其预测的信息。此研究案例中，模型标注了临床上有意义的信息片段。

这对患者和临床医生意味着什么？

这项研究成果还处于早期阶段，而且是基于「回顾性数据」得出的。事实上，证明机器学习可用于改善医疗保健这一假设，还有很多工作要做，本文不过是个开始。医生正穷于应付各种警报和需求，机器学习模型是否能帮助处理繁琐的管理任务，让他们更专注于护理有需要的患者？我们是否可以帮助患者获得高质量的护理，无论他们在哪里寻求治疗？我们期待着与医生和患者合作，找出这些问题的答案。