心臟衰竭患者的福音,IBM 利用 AI 技術幫助病人提前確診

作者 | 發布日期 2017 年 04 月 10 日 7:52 | 分類 AI 人工智慧 , 醫療科技 follow us in feedly

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%,這意味著患病人數將達到 800 萬,一半左右的人在確診 5 年內死亡



心臟衰竭是指由於心臟的收縮功能或舒張功能發生障礙,不能將靜脈回心血量充分排出心臟,導致靜脈系統血液淤積,動脈系統血液灌注不足,而引起心臟循環障礙症候群。

心臟衰竭很難早確診,在美國國家衛生研究院(National Institutes of Health)幫助下, IBM Research 的一個科學家團隊聯合 Sutter Health 的科學家與 Geisinger Health System 的臨床專家,利用基於電子病歷(Electronic Health Records)背後可能隱藏的訊息,研究和預測心臟衰竭。在過去 3 年裡,利用自然語言處理、機器學習和大數據分析等 AI 最新進展,該團隊訓練了一個比現今典型診斷早一至兩年確診心臟衰竭的模型。這項研究提出了關於訓練模型所需數據,以及實際權衡等方面的重要見解,並開發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。(Source:美國心臟協會)

現在的醫生通常會對病人安排心臟衰竭測試,並在病歷中記錄患者心臟衰竭的體徵和症狀。儘管已經做了最大的努力,但是患者通常是在急性事件接受住院治療之後,才被診斷出心臟衰竭,此時疾病已經對身體造成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,透過利用電子病歷系統包含的數據,檢測和預測病人患有心臟衰竭的風險有多大。

為了達到他們的目標,應用自然語言處理和機器學習方法,該團隊開發和應用了幾種認知計算和 AI 技術來分析項目中的患者數據。

在項目過程中,團隊致力於達成一系列目標,得到一些意想不到的發現,其中包括:

  1. 第一個目的是了解 Framingham Heart Failure Signs and Symptoms(FHFSS)用於早期檢測的有效性, FHFSS 是臨床醫生通常用來診斷心力衰竭的傳統風險因素。研究者使用自然語言處理技術(NLP),透過分析訊息和辨識概念(包括富氏風險標準(Framingham risk criteria)或其他類型的症狀),從非結構化數據(如醫生筆記)中提取資訊。有趣的是,研究結果顯示,28 例原始 FHFSS 體徵和症狀中,只有 6 例確定是未來呈現心臟衰竭的可靠預測因子。
  2. 第二個目的是,透過將醫生筆記的非結構化數據與結構化電子病歷數據相結合,確定能否更準確地預測心臟衰竭。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 聯合使用時,收集在電子病歷中的其他常規數據類型(如疾病診斷、藥物處方和實驗室檢查)可能是預測患者心臟衰竭發作更有用的預測因素。

(Source:IBM

以上顯示了心臟衰竭預測研究的模型圖,該模型可比當前技術早一到兩年確定心臟衰竭。

使用縱向電子病歷數據(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據類型,其中索引日期代表可以進行預測的最早日期,預測期( prediction window )指的是傳統手段診斷前,模型能夠預測的一個時間段。

在幫助檢測個體心臟衰竭的可能性方面,研究還使團隊深入認識特定數據類型與實用性之間的權衡。例如,當使用更多樣化的數據類型時,模型的性能得到改善,其中診斷、用藥遺囑和住院數據三者之間的兩兩組合是最重要的數據類型。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,並開發出數據驅動的方法來辨識和選擇最顯著的變量,創建出更小和更強大的變量子集。最終,團隊開發出性能和實用性都優良的預測模型。

這從臨床的角度來看非常重要,因為模型中使用的患者因素可能超過了 1,000 個,但是沒有醫療保健專業人員希望輸入如此多變量。對於訓練有效預測疾病模型所需數據的最低數量和類型,這些研究成果提出了可實現的指導方針。去年 11 月,發表在 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,有適用於其他疾病的潛在可能性。大數據的可用性聯合革新的認知計算,有望讓臨床診斷和早期疾病檢測方面取得重大進展。

(本文由 雷鋒網 授權轉載;首圖來源:pixabay)