科技行者

DeepMind如何利用AI帮助医生跟踪患者病情变化?

谷歌公司旗下的DeepMind正在寻求可行途径以检测住院患者的病情恶化状况。但此举并不是为了全面颠覆医疗产业,而是率先推出一款简单实用的移动报警应用。

最近一段时间以来,人工智能技术在医学领域取得了不少进展,但实际情况却没有媒体宣传的那么乐观。在医院与临床医生的办公室中,AI成果可能要简单得多,而且在数量上也远不及人们的想象。

日前,由谷歌DeepMind部门发表的两篇研究论文显示,深度学习等前沿工具与软件本身的有限应用之间存在着巨大的鸿沟。事实证明后者还无法自动完成医生们的日常工作。

而在最新一期《自然》杂志中,DeepMind的研究人员发表了一个深度学习项目的结果,该项目能够在症状出现前48小时预测住院患者出现的肾功能衰竭症状,并且准确率远远高于现有计算机预测程序。

与此同时,DeepMind团队还发布了一项对其“Streams”计算机程序的第三方调查结果。这款计算机程序并未使用人工智能技术,但能够帮助医生向病人快速发布警示性提醒。

采用深度学习技术的第一个项目中只包含部分有望得到实际应用的方法,但Steams软件已经被正式引入医生及医务人员的日常工作中。

跟踪患者的“不良反应”

DeepMind如何利用AI帮助医生跟踪患者病情变化?

▲相较于图上方所示的传统医生警报信息获取方式,图下方的DeepMind“Stream”应用建立起新的“数字化途径”。其主要创新在于让医生能够在手机上收取警报。

谷歌DeepMind部门发表第一篇论文题为《具有临床适用性的未来急性肾损伤的持续预测方法(A clinically applicable approach to continuous prediction of future acute kidney injury," deals with the)》,主要面向患者在住院之后发生的“不良反应”。根据英国国民健康服务中心协助建立的Think Kidneys网站公布的说明,其中一类主要反应在于“急性肾损伤”,简称AKI,具体定义为“患者的肾功能突然发生下降”。这类症状的出现,主要源自病人严重脱水或者处方药副作用等原因。

正如DeepMind方面在一篇博文中所提到,这种情况有可能带来致命后果,影响到美国及英国医院中约五分之一的患者,而且利用适当检测抢在情况恶化前进行处理能够消除其中高达30%的比例。AKI以及其它突发性变量的处理正是机器学习的专长所在,其完全能够预测可能出现的问题,从而帮助病人免受肾损伤的影响。

正如作者在论文中所言,“常规临床实践中很少引入预测元素;这是因为这些元素要么缺乏必要的敏感性与特殊性,要么就是对已有操作的简单重复。”

因此,DeepMind与美国退伍军人事务部展开合作,希望了解神经网络是否能够通过时间序列数据预测AKI实例。他们在五年之内为退伍军人医院的超过70万名患者编制了数字健康记录数据集,其中包含60亿个条目,以及可能与AKI相关的62万种“特征”。凭借这些标记数据,计算机即可通过分析预测哪些患者最终可能发展出AKI症状。

这一切都是通过行业领先的“递归神经网络”(简称RNN)完成的,其中包含一个能够“学习”AKI因子“表达”的“深度残差嵌入”组件。研究人员强调称,这是一套单独的“端到端”网络,其不需要针对特定领域对网络进行预训练。

他们在报告中表示,该网络不再依赖于传统预测方法——例如所谓“梯度增强树”,其要求将风险因素明确编码至算法当中——而利用RNN模型从数据中总结模式。他们认为,这项工作为更好地预测患者病情恶化开创了新的途径。

但展望未来的道路,仍有不少挑战需要克服。比如,他们使用的数据并没有对性别与种族进行平衡,因此需要阐明其中可能存在的混淆性偏见因素。他们在论文中写道:“未来的工作,在于解决训练数据当中人群代表性不足的问题,同时克服可能与医院流程相关的潜在混淆性因素。”

辅助医疗与数字化护理

在发表于《互联网医学研究》杂志上的第二篇论文《对辅助治疗中数字化护理途径的用户体验进行的定性评估(A Qualitative Evaluation of User Experiences of a Digitally Enabled Care Pathway in Secondary Care)》当中,研究人员说明了关于Sterams软件的实际使用情况。

Streams是一款iPhone平台上的移动应用,目前由伦敦皇家自由医院的医生们实际使用。其负责通过手机向医生发送警报,提醒患者出现了血清肌酐升高状况——这种血液中的废物,正是AKI发病的主要迹象之一。通过持续监测患者肌酐水平并将警告信息发送给特定团队,医护人员即可优先关注存在AKI风险的患者。据了解,该软件自2017年5月起就已经在皇家自由医院中得到应用。

DeepMind如何利用AI帮助医生跟踪患者病情变化?

▲DeepMind构建的创新型递归神经网络负责处理数十亿个数据点,用于尽早发现急性肾损伤迹象。他们强调称,这是一套“端到端”系统,不需要对网络进行预训练。

这篇论文由DeepMind工作人员与伦敦大学学院以及英国国家健康服务中心的研究人员们联合撰写,并对在2017年2月至2018年5月期间使用该应用程序的临床医生进行了观点汇总。论文当中引用了大量采访信息,以确保反馈意见公正可靠。

肾病科团队的一名成员表示:“无论您身在何处,任何人都能够通过这款应用查看血液检测结果。”另一位医院工作人员则评论称,查看这款应用就像是收取电子邮件,“只需要大概五分钟左右,我就能轻松浏览警报信息,并确定我需要跟进哪些具体病患。”

然而,反馈当中也出现了一些负面的声音。一名工作人员认为应用程序当中存在大量“噪音”式的误报。另一位参与者也抱怨称,当不清楚警报内容应该由哪位临床医生负责处理时,应用会反复提醒,产生过多警报提示。

该项研究的作者们得出结论,认为这款软件对患者的护理产生了“积极影响”,包括“加快”医护人员对病情恶化患者的处置速度。但他们也承认其并不完美,例如“大量需要优先处理的患者提示与过量信息使医护人员产生焦虑情绪,这一状况因误报问题而变得更加严重。”

研究同时发现,该应用虽然颇具实用性,但对结果却并未产生具有统计学意义的显著影响。在《自然》杂志姊妹刊《NPJ自然医学》上发表的另一篇相关论文指出,单纯使用一款应用程序还远远不够。“我们的评估亦证明单独的电子警报机制可能无法改善医疗结果;从结果来看,我们需要将警报系统与特定管理通道相结合,才能真正将数字化干预手段引入组织与技术层面。”

下面对这一成果做做总结:首先这是一款业界领先的软件,似乎能够改善对病情恶化问题的早期检测能力,同时挽救病患生命;其次是一款警报软件,能够为医生提供帮助,但暂时无法显著提高护理效果。至少就目前来看,这两项成果仍然彼此割裂、无法统一起来。

DeepMind研究人员在另一篇博文中提到了某些有望整合这两项成果的努力:“团队目前希望找到将预测性AI模型安全引入Streams应用程序的方法,以便为临床医生提供与患者病情恶化相关的智能见解。”

关注科技行者公众号

即将跳转至电脑版页面您确认跳转吗?
取消 跳转