对于医生而言，跟踪病人的化验结果、各项图表以及其它各项指标是一件非常耗时，但又必须要做的事：
设想一下，一名普通医生每天要面对多个病人，要把他们的各项数据查找出来，在自己的大脑中整合起来，进而决定采取哪一种治疗方案。当病人的数据并不是特别完整，比如此前在另一家医院做的检查治疗，病人手头并没有全部检查单据，对于医生来说会有大量的时间浪费（比如联系之前的医院或重新检查）。
雷锋网(公众号：雷锋网)消息，在最新的一组论文中，MIT 计算机科学与人工智能实验室 CSAIL 的研究员，提出了两套帮助医生更好做治疗方案决策的系统。
一支团队开发了一套名为 “ICU Intervene” ，即“重症监护室干预”的机器学习系统。大量重症监护室（ICU）的数据，从病人关键生命体征、之前医生的治疗备注，到人口统计学信息，都会被整合到一起，以帮助医生做出决策——哪些治疗方案最适合当前病人的症状。该系统使用深度学习来做出实时预测，从过去的 ICU 案例中学习，对当前情况严重的病例（病危护理）做出推荐，并能对其背后的原因与逻辑做出解释。
ICU Intervene 论文的第一作者、MIT 博士生 Harini Suresh 表示：
“这套系统有潜力成为 ICU 值班医生的助手，这些医生的工作环境有巨大压力以及极高要求。这项研究的目标是充分利用医疗记录的数据，提高医疗水平，并对必要的干预提前做出预测。”
另一支团队开发的系统被称为“EHR Model Transfer” ，即“EHR 模型迁移”。它能推动跨电子医疗档案系统（EHR）预测模型的落地。也就是说，用一套 EHR 的数据训练出来的预测模型，能够迁移到另一套 EHR 系统上进行应用，做出有效预测。该团队发现，“EHR 模型迁移”能对病人的死亡率、住院延长时间做有效预测。
两套系统都使用病危护理数据库 MIMIC 进行训练，后者包含四万个病危病例的脱敏数据，由 MIT 生理计算实验室（MIT Lab for Computational Physiology）开发。
本文作者：三川
本文转自雷锋网禁止二次转载，原文链接
