機器學習如何「著陸」醫療行業？三位行業專家談關鍵四點

雷鋒網按：機器學習的融入帶來的是醫療系統診斷準確性的大大提高，如今它不僅能為病患量身定製治療方案，甚至還可以取代部分醫生的工作。在此背景下，三位醫療行業專家就此談了一下技術如何更好地「著陸」醫療行業，他們分別是Ernest Sohn、Joachim Roski、Kevin Maloy。

Ernest Sohn是Booz Allen數據解決方案和機器情報部門的首席數據科學家。他在開發和實施數據科學和分析功能方面有十多年的經驗，包括預測分析，機器學習，自然語言處理，運營研究和數據可視化，以改善業務流程和決策。

Joachim Roski博士是Booz Allen Hamilton的負責人，專註於公共衛生和醫療服務，熟知對醫療保健、人口健康和成本/價值的測量、分析和改進。他了解一系列的醫療保健計劃，改進、戰略測量，分析和評估需求。

Kevin Maloy博士是喬治城大學醫學院緊急醫學助理教授，也是MedStar華盛頓醫院中心的急診科醫師。Maloy在電子健康記錄數據挖掘方面有十多年的經驗，可以進行各種項目的研究。

電子健康記錄( EHR)系統和其他的健康數據數字化系統一樣，它可以讓醫療保健變得更為智能、安全、高效，在這個過程中，機器學習在其中有著巨大的推動作用。但稍感意外的是，大多數EHR供應商並沒有為系統配備機器學習、自然語言處理、認知計算等人工智慧解決方案，也就是說，系統不能很好地去處理內部生成或外部導入的相關數據，這很大程度上阻礙了人工智慧在醫療保健行業的應用。

雖然很多人相信機器學習是個強大的工具，但相關企業並沒有明確它如何在短時間內轉變健康狀況。如今，企業決策者更關心的是何時以及如何投資才能通過機器學習優化組織效率，而不是浪費預算過早的布局不成熟的技術；另外，機器學習在醫療行業的應用好像只有「外行人士」比較重視，而一線的臨床醫生卻不太在意。

過去幾年中，筆者的團隊做了一些相關解決方案，在如何提高醫療安全性、可靠性方面積累了一些經驗。在此背景下，我們以基於機器學習的EHR系統為例，談一下相關技術應用於醫療行業併產生價值的四個關鍵要素。

在決策過程中，人類思考過程要比機器學習應用程序複雜得多。儘管目前機器研究取得了一些進展，但還不具備成熟的感知、推理和解釋能力。即使最先進的機器學習演算法也不能提供臨床決策所需要的靈敏度、特異性和精度 (即陽性預測值)。例如，使用各種機器學習技術，我們開發了預測保健獲得性感染的統計模型，這些模型在特異性或敏感性方面表現良好，但在精確度方面不夠高(即15例預測病例中1例陽性)，無法滿足臨床醫生的要求。

以上是機器學習解決方案尚未成熟之處，但它也有很多「亮眼之處」。

它可以科學地部署醫護人員以便能更好地完成任務。它會減少人類去做常規、耗時、高重複型工作，騰出的人員會被重新部署，以支持更「高端」的工作。例如，在治療時，查找病人的病歷記錄是一個非常常規且無聊的過程，這項任務非常耗時，而且對於臨床醫生來說還不止一個，後面還有大量的患者數據，其中大部分數據還有可能是非結構化數據。因此，在診斷期間，醫生只能依靠病患最近的診斷記錄來治療，這是非常不可靠的。

而機器學習與自然語言處理的結合就可以讓病人的整個病歷瞬時顯示在EHR上，即刻找到數百甚至上千個不同的醫療記錄。

除了EHR外，側重於量化心臟核磁共振成像中血流量的機器學習解決方案也成功解決了高度費力的人工任務。在這個過程中，有經驗的臨床醫生要花60 -90分鐘的時間在圖紙上計算血流；而利用該系統可以利用深度學習演算法，精確量化15秒內的血流，使臨床醫生將時間專註於更高階的其他任務。

數據科學家通常藉助機器學習在數據中尋找新的見解，以便能開發出更好的演算法。然而，數據科學們卻無法說服醫生在一線使用和採用這些演算法。

機器學習的特點不僅在於它的靜態輸出，還在於它能夠根據數據進行高效、自主學習。因此，與傳統的研究項目相反，機器學習項目在產品開發時就應該有較高水平的臨床醫生的全程參與。

相關產品開發涉及到將前端介面與機器學習演算法以及後端數據系統集成在一起等過程，這其中涉及到面向用戶的原型產品的設計與後期實施，因此需要臨床醫生、軟體工程師及用戶體驗專家、演算法工程師團隊一起去做這件事。

在這個過程中，臨床醫生只需關注功能即可。舉例說，在構建系統時，醫生只需關注哪些功能可以實施、以及這些功能如何能更好地幫助到自己、這些應用是否可以達到自己心中理想的準確性級別等等，然後通知其他人去改善終端產品的解決方案。他們絕不要去考慮演算法能否實現或者其他的問題。

EHR供應商們正在積極增加各種功能，為數據管理和分析提供更多的解決方案。

領先的機器學習解決方案很可能來自成熟的技術公司以及衛生系統，這些解決方案(Google、Facebook、 OpenAI)是開源的，可供任何人使用；此外，以醫療為重點布局的醫療技術公司也提供了很多核心的機器學習演算法，幫助行業快速應用；再者，很多領先的醫療健康系統也通過諸如apervita等平台提供其健康分析技術。

在此情形下，選擇單個EHR供應商的解決方案很可能會使治療方案受到很大程度地限制。

需要注意的是，醫療系統應採用基於模塊化和開放式體系的基礎架構，它可以讓添加或更新組件變得更加簡單；此外，為了構建、測試和部署機器學習演算法，醫院需要在原先的系統中保留傳輸數據的策略和機制，這種方法能夠使醫院在創新迭代的過程中降低機器學習系統過時帶來的更新成本。

機器學習還可以通過優化「預測」一些結果。例如患者感到疼痛但無癥狀顯示，在此情形下，機器可以預先設定「模擬狀態」提前預防，避免後期感染、惡化。

為了實現這一點需要大量的案例數據，但如今的機器學習技術在數據方面非常匱乏。

為了充分體現機器學習的價值，醫療機構必須更多地去獲取治療過程中的標準化數據，沒有這些數據就不可能「訓練」機器學習演算法來解釋可以轉化為更好地定製診斷或治療過程的結果的變異性。例如，在一個項目中，我們嘗試根據患者特徵的變異性、藥物和劑量去預測患者的疼痛評分，然而，與大多數數據一樣，疼痛評分與當事人的直觀感完全不同，這讓機器學習演算法變得異常「尷尬」。

研究人員以及相關醫療機構的領導人需要共同努力，推動採用包括EHR中的標準化指標等一些數據，這些指標對了解及治療特定的臨床狀況有顯著療效。我們發現，EHR中的數據通常缺乏全面測量患者所需的信息。比如說，治療和恢複信息（增加或減少某種藥物恢復正常的速度）; 和長期健康狀況（慢性疼痛的複發，持續治療的副作用，對藥物的依賴程度及生活質量的報告）等等，沒有這些標準化的數據，機器學習的「潛力」將會被壓制，無法在醫療行業釋放出來。

雷鋒網了解到，人工智慧發展到今天已經「無孔不入」，「人工智慧+」已從初期的融合性探討延伸到實質性發展，無人駕駛、金融、醫療、安防、教育等行業，只要有海量數據，人工智慧都能快速滲入。

在此背景下，與各個行業一樣，醫療行業也應該用更開放的心態去迎接新技術帶來的變革。今後，AI及機器學習的創新速度將會持續加快，如何讓醫療行業成為其中一個重要「著陸場」，這應該引起每一個從業人士的思考。

via Health Affairs Blog 雷鋒網編譯

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！