Google研究人員想要借助機器學習技術技術,最大化加護病房資源使用效率,Google提出了一種稱為序列子網路路由(Sequential Sub-Network Routing,SeqSNR)的多任務學習架構(MTL),能夠良好地根據現實情況的複雜性,做出更全面的預測。該研究的貢獻在於,研究人員成功將SeqSNR應用在加護病房環境,預測病患連續不良事件,即便在缺少訓練資料的情況,也能良好地處理單項任務以及簡單的多重任務。

加護病房負責照顧極脆弱的病患,其中許多病患需要機械式呼吸輔助或是透析來維持生命。加護病房的資源相當吃緊,尤其是在COVID-19大流行期間,面對大量的病患,醫院需要把資源留給最需要的病患,而準確預測加護病房病患的臨床結果,能夠指引治療方法,提供醫護重要的決策訊息,包括人員配置和分流支援。

Google提到,過去將機器學習用於電子健康履歷(EHR)的研究,已經顯示出預測臨床結果的潛力,但是這些機器學習模型,都是基於單任務學習,也就是説,模型僅適用於預測特定的不良事件,像是器官功能衰竭,或是生命支援性干預,而多任務模型,則可以帶來更大的好處,可以考慮競爭風險或是器官系統間的相依性,更全面地預測現實環境中病患的狀況。

研究人員使用免費開放且去識別化的MIMIC-III EHR資料集,該資料集具有36,498名成年患者的資料,包含加護病房患者的多模式紀錄。研究人員提到,與其他機器學習所使用的資料集不同的地方是,輸入和目標之間的關係通常沒有明確定義,需要從資料推理出來,因此研究人員根據基於規則的自動化方法,以及臨床審查,定義了一系列不同的目標,包括重症醫療干預、特定器官功能衰竭等。

研究人員設計模型要能預測患者進入加護病房後,24到48小時間的一系列不良事件,這些不良事件諸如急診性腎損傷、連續性腎臟替代療法透析、死亡率和剩餘住院時間等。研究人員解釋,雖然多任務學習可以捕捉器官系統之間的相依關係並且平衡風險,但是實作上通常會面臨聯合學習的任務,互相干擾的負遷移(Negative Transfer)問題,而SeqSNR的特性,能過濾掉與任務相關性低的資料,最大程度降低負遷移,簡單來說,也就是每個任務都會使用不同的模型路徑。

MIMIC-III資料集包含性別和年齡,但是不包含人種資訊,研究人員計算了在不同年齡和性別子群的模型,在資料集很少的情況,SeqSNR預測的結果通常優於單任務學習模型。這項研究是將SeqSNR用於EHR預測任務的概念性驗證,研究團隊已經公開架構程式碼,希望能夠促進更多的臨床預測研究。

研究人員提到,SeqSNR的效能與任務、時間和資料集有關,擁有人種等額外的人口訊息,將有助於提升演算法效能。目前的研究都僅是雛形,會需要更嚴格的評估,才能在實際場景使用該工具。


熱門新聞

Advertisement