0
| 本文作者： 張棟 | 2017-08-03 11:02 |
雷鋒網(wǎng)按：機器學(xué)習(xí)的融入帶來的是醫(yī)療系統(tǒng)診斷準確性的大大提高，如今它不僅能為病患量身定制治療方案，甚至還可以取代部分醫(yī)生的工作。在此背景下，三位醫(yī)療行業(yè)專家就此談了一下技術(shù)如何更好地“著陸”醫(yī)療行業(yè)，他們分別是Ernest Sohn、Joachim Roski、Kevin Maloy。
Ernest Sohn是Booz Allen數(shù)據(jù)解決方案和機器情報部門的首席數(shù)據(jù)科學(xué)家。他在開發(fā)和實施數(shù)據(jù)科學(xué)和分析功能方面有十多年的經(jīng)驗，包括預(yù)測分析，機器學(xué)習(xí)，自然語言處理，運營研究和數(shù)據(jù)可視化，以改善業(yè)務(wù)流程和決策。
Joachim Roski博士是Booz Allen Hamilton的負責(zé)人，專注于公共衛(wèi)生和醫(yī)療服務(wù)，熟知對醫(yī)療保健、人口健康和成本/價值的測量、分析和改進。他了解一系列的醫(yī)療保健計劃，改進、戰(zhàn)略測量，分析和評估需求。
Kevin Maloy博士是喬治城大學(xué)醫(yī)學(xué)院緊急醫(yī)學(xué)助理教授，也是MedStar華盛頓醫(yī)院中心的急診科醫(yī)師。Maloy在電子健康記錄數(shù)據(jù)挖掘方面有十多年的經(jīng)驗，可以進行各種項目的研究。
電子健康記錄( EHR)系統(tǒng)和其他的健康數(shù)據(jù)數(shù)字化系統(tǒng)一樣，它可以讓醫(yī)療保健變得更為智能、安全、高效，在這個過程中，機器學(xué)習(xí)在其中有著巨大的推動作用。但稍感意外的是，大多數(shù)EHR供應(yīng)商并沒有為系統(tǒng)配備機器學(xué)習(xí)、自然語言處理、認知計算等人工智能解決方案，也就是說，系統(tǒng)不能很好地去處理內(nèi)部生成或外部導(dǎo)入的相關(guān)數(shù)據(jù)，這很大程度上阻礙了人工智能在醫(yī)療保健行業(yè)的應(yīng)用。
雖然很多人相信機器學(xué)習(xí)是個強大的工具，但相關(guān)企業(yè)并沒有明確它如何在短時間內(nèi)轉(zhuǎn)變健康狀況。如今，企業(yè)決策者更關(guān)心的是何時以及如何投資才能通過機器學(xué)習(xí)優(yōu)化組織效率，而不是浪費預(yù)算過早的布局不成熟的技術(shù)；另外，機器學(xué)習(xí)在醫(yī)療行業(yè)的應(yīng)用好像只有“外行人士”比較重視，而一線的臨床醫(yī)生卻不太在意。
過去幾年中，筆者的團隊做了一些相關(guān)解決方案，在如何提高醫(yī)療安全性、可靠性方面積累了一些經(jīng)驗。在此背景下，我們以基于機器學(xué)習(xí)的EHR系統(tǒng)為例，談一下相關(guān)技術(shù)應(yīng)用于醫(yī)療行業(yè)并產(chǎn)生價值的四個關(guān)鍵要素。
在決策過程中，人類思考過程要比機器學(xué)習(xí)應(yīng)用程序復(fù)雜得多。盡管目前機器研究取得了一些進展，但還不具備成熟的感知、推理和解釋能力。即使最先進的機器學(xué)習(xí)算法也不能提供臨床決策所需要的靈敏度、特異性和精度 (即陽性預(yù)測值)。例如，使用各種機器學(xué)習(xí)技術(shù)，我們開發(fā)了預(yù)測保健獲得性感染的統(tǒng)計模型，這些模型在特異性或敏感性方面表現(xiàn)良好，但在精確度方面不夠高(即15例預(yù)測病例中1例陽性)，無法滿足臨床醫(yī)生的要求。
以上是機器學(xué)習(xí)解決方案尚未成熟之處，但它也有很多“亮眼之處”。
它可以科學(xué)地部署醫(yī)護人員以便能更好地完成任務(wù)。它會減少人類去做常規(guī)、耗時、高重復(fù)型工作，騰出的人員會被重新部署，以支持更“高端”的工作。例如，在治療時，查找病人的病歷記錄是一個非常常規(guī)且無聊的過程，這項任務(wù)非常耗時，而且對于臨床醫(yī)生來說還不止一個，后面還有大量的患者數(shù)據(jù)，其中大部分數(shù)據(jù)還有可能是非結(jié)構(gòu)化數(shù)據(jù)。因此，在診斷期間，醫(yī)生只能依靠病患最近的診斷記錄來治療，這是非常不可靠的。
而機器學(xué)習(xí)與自然語言處理的結(jié)合就可以讓病人的整個病歷瞬時顯示在EHR上，即刻找到數(shù)百甚至上千個不同的醫(yī)療記錄。
除了EHR外，側(cè)重于量化心臟核磁共振成像中血流量的機器學(xué)習(xí)解決方案也成功解決了高度費力的人工任務(wù)。在這個過程中，有經(jīng)驗的臨床醫(yī)生要花60 -90分鐘的時間在圖紙上計算血流；而利用該系統(tǒng)可以利用深度學(xué)習(xí)算法，精確量化15秒內(nèi)的血流，使臨床醫(yī)生將時間專注于更高階的其他任務(wù)。
數(shù)據(jù)科學(xué)家通常借助機器學(xué)習(xí)在數(shù)據(jù)中尋找新的見解，以便能開發(fā)出更好的算法。然而，數(shù)據(jù)科學(xué)們卻無法說服醫(yī)生在一線使用和采用這些算法。
機器學(xué)習(xí)的特點不僅在于它的靜態(tài)輸出，還在于它能夠根據(jù)數(shù)據(jù)進行高效、自主學(xué)習(xí)。因此，與傳統(tǒng)的研究項目相反，機器學(xué)習(xí)項目在產(chǎn)品開發(fā)時就應(yīng)該有較高水平的臨床醫(yī)生的全程參與。
相關(guān)產(chǎn)品開發(fā)涉及到將前端接口與機器學(xué)習(xí)算法以及后端數(shù)據(jù)系統(tǒng)集成在一起等過程，這其中涉及到面向用戶的原型產(chǎn)品的設(shè)計與后期實施，因此需要臨床醫(yī)生、軟件工程師及用戶體驗專家、算法工程師團隊一起去做這件事。
在這個過程中，臨床醫(yī)生只需關(guān)注功能即可。舉例說，在構(gòu)建系統(tǒng)時，醫(yī)生只需關(guān)注哪些功能可以實施、以及這些功能如何能更好地幫助到自己、這些應(yīng)用是否可以達到自己心中理想的準確性級別等等，然后通知其他人去改善終端產(chǎn)品的解決方案。他們絕不要去考慮算法能否實現(xiàn)或者其他的問題。
EHR供應(yīng)商們正在積極增加各種功能，為數(shù)據(jù)管理和分析提供更多的解決方案。
領(lǐng)先的機器學(xué)習(xí)解決方案很可能來自成熟的技術(shù)公司以及衛(wèi)生系統(tǒng)，這些解決方案(Google、Facebook、 OpenAI)是開源的，可供任何人使用；此外，以醫(yī)療為重點布局的醫(yī)療技術(shù)公司也提供了很多核心的機器學(xué)習(xí)算法，幫助行業(yè)快速應(yīng)用；再者，很多領(lǐng)先的醫(yī)療健康系統(tǒng)也通過諸如apervita等平臺提供其健康分析技術(shù)。
在此情形下，選擇單個EHR供應(yīng)商的解決方案很可能會使治療方案受到很大程度地限制。
需要注意的是，醫(yī)療系統(tǒng)應(yīng)采用基于模塊化和開放式體系的基礎(chǔ)架構(gòu)，它可以讓添加或更新組件變得更加簡單；此外，為了構(gòu)建、測試和部署機器學(xué)習(xí)算法，醫(yī)院需要在原先的系統(tǒng)中保留傳輸數(shù)據(jù)的策略和機制，這種方法能夠使醫(yī)院在創(chuàng)新迭代的過程中降低機器學(xué)習(xí)系統(tǒng)過時帶來的更新成本。
機器學(xué)習(xí)還可以通過優(yōu)化“預(yù)測”一些結(jié)果。例如患者感到疼痛但無癥狀顯示，在此情形下，機器可以預(yù)先設(shè)定“模擬狀態(tài)”提前預(yù)防，避免后期感染、惡化。
為了實現(xiàn)這一點需要大量的案例數(shù)據(jù)，但如今的機器學(xué)習(xí)技術(shù)在數(shù)據(jù)方面非常匱乏。
為了充分體現(xiàn)機器學(xué)習(xí)的價值，醫(yī)療機構(gòu)必須更多地去獲取治療過程中的標準化數(shù)據(jù)，沒有這些數(shù)據(jù)就不可能“訓(xùn)練”機器學(xué)習(xí)算法來解釋可以轉(zhuǎn)化為更好地定制診斷或治療過程的結(jié)果的變異性。例如，在一個項目中，我們嘗試根據(jù)患者特征的變異性、藥物和劑量去預(yù)測患者的疼痛評分，然而，與大多數(shù)數(shù)據(jù)一樣，疼痛評分與當事人的直觀感完全不同，這讓機器學(xué)習(xí)算法變得異?！皩擂巍?。
研究人員以及相關(guān)醫(yī)療機構(gòu)的領(lǐng)導(dǎo)人需要共同努力，推動采用包括EHR中的標準化指標等一些數(shù)據(jù)，這些指標對了解及治療特定的臨床狀況有顯著療效。我們發(fā)現(xiàn)，EHR中的數(shù)據(jù)通常缺乏全面測量患者所需的信息。比如說，治療和恢復(fù)信息（增加或減少某種藥物恢復(fù)正常的速度）; 和長期健康狀況（慢性疼痛的復(fù)發(fā)，持續(xù)治療的副作用，對藥物的依賴程度及生活質(zhì)量的報告）等等，沒有這些標準化的數(shù)據(jù)，機器學(xué)習(xí)的“潛力”將會被壓制，無法在醫(yī)療行業(yè)釋放出來。
雷鋒網(wǎng)了解到，人工智能發(fā)展到今天已經(jīng)“無孔不入”，“人工智能+”已從初期的融合性探討延伸到實質(zhì)性發(fā)展，無人駕駛、金融、醫(yī)療、安防、教育等行業(yè)，只要有海量數(shù)據(jù)，人工智能都能快速滲入。
在此背景下，與各個行業(yè)一樣，醫(yī)療行業(yè)也應(yīng)該用更開放的心態(tài)去迎接新技術(shù)帶來的變革。今后，AI及機器學(xué)習(xí)的創(chuàng)新速度將會持續(xù)加快，如何讓醫(yī)療行業(yè)成為其中一個重要“著陸場”，這應(yīng)該引起每一個從業(yè)人士的思考。
via Health Affairs Blog 雷鋒網(wǎng)編譯
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
