图片

美国的医疗成本高居全球之首，但质量和安全性却不尽如人意。尽管电子病历已经普及，现有的决策支持技术多为基于规则的系统，其有效性受到局限。人工智能的潜力尚未得到充分发挥，主要由于缺乏大规模标注数据和系统在最佳时机提供建议的能力不足。

 

为了解决这些问题和局限，本文的研究团队提出了一种名为“用于健康结果模拟的增强型转换器” (简称“伊索思”) 的新型深度学习架构，该架构应用于分析高维、异构和发病就医时产生的医疗保健数据。“伊索思”通过患者健康时间线的详细、标记化记录来预测未来的健康轨迹，采用零样本学习（zero-shot learning）方法，无需标注数据和模型微调。

 

图片

“伊索思”模型的特点：

 

●无需标注数据：“伊索思”不需要传统深度学习模型所需的大量标注数据集，这减少了开发时间和成本。

 

●零样本学习：通过在训练后进行零样本学习，“伊索思”能够预测未来的健康事件，而无需针对特定任务的训练。

 

●多模态数据处理：“伊索思”设计用于处理包括医学影像、临床和出院记录、监测数据、可穿戴设备数据或组学数据在内的多种数据类型。

 

图片

“伊索思”的应用：

 

●健康轨迹预测：“伊索思”能够模拟不同的治疗路径，并考虑患者特定的因素，从而优化治疗并解决医疗交付中的偏见问题。

 

●临床决策支持：“伊索思”的预测能力可以作为临床决策支持工具，帮助医生进行更准确的诊断和治疗计划。

 

研究方法和结果：

 

●数据集：本研究使用了MIMIC-IV v.2.2数据集，这是一个包含超过200,000名患者和400,000多次住院记录的丰富开源数据仓库。

 

●模型训练：“伊索思”模型使用90%的患者数据进行训练，剩余10%用于测试。模型训练采用了“转换器”架构，并在8个GPU上进行了36小时的优化。

 

●性能评估：“伊索思”在预测住院和ICU死亡率、估计ICU住院时间（LOS）、确定再入院概率等方面表现出色。此外，“伊索思”还能够在ICU入院时估计第一天的序贯器官衰竭评分（SOFA score）。

 

图片

讨论与未来工作：

 

●模型改进：“伊索思”的未来开发将扩展其能力，以纳入更广泛的数据类型和数据源。

 

●个性化医疗：“伊索思”有潜力通过模拟基于患者特定条件的治疗结果来革新医疗决策分析模型科学。

 

●解释性、公平性和透明度：设计“伊索思”时考虑了这些重要方面，并计划在未来的工作中实施和测试高级可视化注意力层。

 

图片

总之，“伊索思”的出现标志着医疗人工智能分析中的一次重要进步，作为一种新型的医疗健康预测工具，其创新性在于能够处理复杂的医疗数据，并为临床决策提供支持，同时减少了对大量标注数据的依赖，为医疗数据分析和人工智能应用提供了新的思路，带来了新的可能性。这一模型不仅能够有效应对数据噪声和不一致性，还为未来的医疗决策支持系统奠定了基础。它将有助于改善医疗保健质量，提高医疗效率，实现更高效的医疗和更好的患者健康结果，推动医疗服务的优化与创新，最终造福患者。