近幾十年以來，心臟病是導致美國人死亡的主要因素，所以患有心臟衰竭 （Heart Failure） 的美國人越來越多一點也不奇怪。預計到2030年，確診患有心臟衰竭的美國成年人將會增加46％，這意味著患病人數(shù)將達到八百萬，一半左右的人在確診五年內(nèi)死亡。

（雷鋒網(wǎng) AI 科技評論按：心力衰竭簡稱心衰，是指由于心臟的收縮功能和/或舒張功能發(fā)生障礙，不能將靜脈回心血量充分排出心臟，導致靜脈系統(tǒng)血液淤積，動脈系統(tǒng)血液灌注不足，從而引起心臟循環(huán)障礙癥候群）

心臟衰竭很難早確診，在美國國家衛(wèi)生研究院 (National Institutes of Health) 幫助下， IBM Research 的一個科學家團隊聯(lián)合 Sutter Health 的科學家與 Geisinger Health System 的臨床專家，利用基于電子病歷 (Electronic Health Records) 背后可能隱藏的信息，研究和預測心力衰竭。在過去三年里，利用自然語言處理、機器學習和大數(shù)據(jù)分析等 AI 最新進展，該團隊訓練了一個比現(xiàn)今典型診斷早一至兩年確診心力衰竭的模型。這項研究提出了關于訓練模型所需數(shù)據(jù)以及實際權衡等方面的重要見解，并開發(fā)了更容易應用在未來模型的新應用方法。

正常心臟和衰竭心臟

來源：美國心臟協(xié)會

現(xiàn)在的醫(yī)生通常會對病人安排心力衰竭測試，并在病歷中記錄患者心力衰竭的體征和癥狀。盡管已經(jīng)做出了最大的努力，但是患者通常是在急性事件接受住院治療之后，才被診斷出心力衰竭，此時疾病已經(jīng)對身體造成了不可逆轉的漸進性器官損傷。

該團隊的研究重點是，在典型臨床診斷的前一年或前幾年，通過利用電子病歷系統(tǒng)中包含的數(shù)據(jù)，檢測和預測出病人患有心力衰竭的風險有多大。

為了實現(xiàn)他們的目標，應用自然語言處理和機器學習方法，該團隊開發(fā)和應用了幾種認知計算和 AI 技術來分析項目中的患者數(shù)據(jù)。

在項目過程中，團隊致力于實現(xiàn)一系列目標，得到了一些意想不到的發(fā)現(xiàn)，其中包括：

1.第一個目的是了解 Framingham Heart Failure Signs and Symptoms (FHFSS) 用于早期檢測的有效性， FHFSS 是臨床醫(yī)生通常用來診斷心力衰竭的傳統(tǒng)風險因素。研究者使用自然語言處理技術（NLP），通過解析信息和識別概念（包括富氏風險標準 (Framingham risk criteria) 或其他類型的癥狀），從非結構化數(shù)據(jù)（如醫(yī)生筆記）中提取信息。有趣的是，研究結果顯示，28 例原始 FHFSS 體征和癥狀中，只有6例確定是未來呈現(xiàn)心力衰竭的可靠預測因子。

2.第二個目的是，通過將醫(yī)生筆記的非結構化數(shù)據(jù)與結構化電子病歷數(shù)據(jù)相結合，確定能否更準確地預測心力衰竭。為此，團隊應用機器學習方法來構建考慮變量組合的預測模型。研究結果顯示，與 FHFSS 聯(lián)合使用時，收集在電子病歷中的其他常規(guī)數(shù)據(jù)類型（如疾病診斷，藥物處方和實驗室檢查）可能是預測患者心力衰竭發(fā)作更有用的預測因素。

以上顯示了心力衰竭預測研究的模型圖，該模型可比當前手段早一到兩年確定心力衰竭。

使用縱向電子病歷數(shù)據(jù)(EHR)，研究者在觀察期中提取和分析了各種結構化和非結構化數(shù)據(jù)類型，其中索引日期代表可以進行預測的最早日期，預測期（ prediction window ）指的是傳統(tǒng)手段診斷前，模型能夠做出預測的一個時間段。

在幫助檢測個體心力衰竭的可能性方面，研究還使團隊深入認識到特定數(shù)據(jù)類型與實用性之間的權衡。例如，當使用更多樣化的數(shù)據(jù)類型時，模型的性能得到了改善，其中診斷、用藥遺囑和住院數(shù)據(jù)三者之間的兩兩組合是最重要的數(shù)據(jù)類型。利用知識驅動的藥物和診斷本體，將變量概括為更高層次的概念，并開發(fā)出數(shù)據(jù)驅動的方法來識別和選擇最顯著的變量，創(chuàng)建出更小和更強大的變量子集。最終，團隊開發(fā)出性能和實用性都優(yōu)良的預測模型。

這從臨床的角度來看至關重要，因為模型中使用的患者因素可能超過了1000個，但是沒有醫(yī)療保健專業(yè)人員希望輸入如此多的變量。對于訓練有效預測疾病模型所需數(shù)據(jù)的最低數(shù)量和類型，這些研究成果提出了可實現(xiàn)的指導方針。去年11月，發(fā)表在 Circulation: Cardiovascular Quality and Outcomes 的一篇論文 (“Early Detection of Heart Failure Using Electronic Health Records”) 和另一篇論文 (“Learning About Machine Learning: The Promise and Pitfalls of Big Data and the Electronic Health Record”) 記錄了這一研究的其他實際意義。

以上三方將繼續(xù)合作，進一步推進目前的研究結果。這項工作令人振奮的一面是，它有適用于其他疾病的潛在可能性。大數(shù)據(jù)的可用性聯(lián)合革新的認知計算，有望令臨床診斷和早期疾病檢測方面取得重大進展。更多資訊請關注雷鋒網(wǎng)。

via  ibm,   雷鋒網(wǎng)編譯

雷峰網(wǎng)版權文章，未經(jīng)授權禁止轉載。詳情見轉載須知。