IBM謝國彤：認知醫療四大焦點，醫藥信息學頂會MedInfo2017最佳論文解讀

新智元報道

MedInfo 2017（第十六屆世界醫藥健康信息學大會）剛剛在杭州閉幕，今年大會的主題是「基於醫藥信息學的精準醫療」。作為國際著名的健康和生物醫學信息領域的盛會， MedInfo 在某種意義上也成為了新信息技術變革醫療健康產業的風向標。

本屆大會上，我們看到 IBM 中國研究院在 MedInfo 2017 上共發表了 8 篇論文，涵蓋了一系列技術進步，旨在從預防、診斷、治療和患者參與（patient engagement）四方面幫助臨床醫生完成慢性疾病的日常管理。實際上，使用認知計算來改善中國醫療已成為 IBM 中國研究院的主要關注領域之一。

IBM 中國研究院認知醫療研究總監謝國彤

IBM 中國研究院認知醫療研究總監謝國彤對新智元表示，研究院的認知醫療聚焦解決一個問題：利用認知計算，重塑疾病管理。具體體現為：

1）疾病預防：基於精準的疾病預測，幫助醫生和患者主動進行併發症的預防；

2）輔助診斷：自動解讀醫學影像，提高疾病篩查和診斷的效率；

3）精準治療：利用真實世界證據增強臨床指南，輔助基層醫生進行個性化治療；

4）患者管理：理解中文自然語言，自動對患者進行隨訪和患者教育。

從 IBM 中國研究院此次在 MedInfo 上發表的 8 篇論文，我們也可以看出 IBM 中國研究院在這一方向上所作出的努力：

1.《針對房顫患者長期華法林用藥的基於群的軌跡分析》

Group-based Trajectory Analysis for Long-Term Use of Warfarin Therapy in Atrial Fibrillation Patients

2.《風險預測模型在危險因素取值未知患者中的應用：一種增量學習方法》

Applying Risk Models on Patients with Unknown Predictor Values: An Incremental Learning Approach

3.《基於聚類分析獲取真實世界證據的醫療決策支持系統》

Gathering Real World Evidence with Cluster Analysis for Clinical Decision Support

4.《基於深度學習的患者中文相似問題檢索》

A Deep Learning based Method for Similar Patient Question Retrieval in Chinese

5.《深度糖尿病專家：基於循環神經網路的降糖藥物處方學習》

Deep Diabetologist: Learning to Prescribe Hypoglycemic Medications with Recurrent Neural Networks

6.《從數據的角度分析個人健康的自我管理》

Personal Health Self-Management in a Data Perspective

7.《利用機器學習方法預測ST段抬高型心肌梗死患者的院內死亡率》

Models to Predict In-hospital Mortality for ST Elevation Myocardial Infarction Patients

8.《利用結局驅動的相似性分析尋找精準人群: 房顫案例研究》

Precision Cohort Finding with Outcome-Driven Similarity Analytics: A Case Study of Patients with Atrial Fibrillation

其中，《針對房顫患者長期華法林用藥的基於群的軌跡分析》（郭世婧，李響，杜昕，劉海峰，謝國彤）獲得了大會最佳論文第二名。

下面是本篇論文的第一作者郭世婧所做的論文解讀。

用藥軌跡分析模型和預測模型的建立

房顫病人有很高的發生腦卒中的風險。對於房顫病人，華法林是一種廣泛被醫生接受的、用來預防腦卒中的長期口服藥。然而，房顫病人對華法林的用藥在一段時間內呈現什麼特徵並不是很明確，比如病人是一直吃藥，還是先吃藥後停葯，還是其他更複雜的軌跡曲線特徵。

另外，一段時間內不同的服藥軌跡對腦卒中的發病會有什麼影響？不同服藥軌跡的病人會不會有什麼其他不同的特徵——比如服藥軌跡不同的人會不會在年齡上存在差異？進一步來講，能否根據病人的特徵數據來預測病人未來會傾向於哪種用藥軌跡？這些問題都需要進一步的探索。

該項研究針對以上問題設計了研究步驟和方法，共分為以下 5 步：

華法林用藥的基於群的軌跡分析的流程圖

第一步，依照選擇標準選擇研究人群；

第二步，應用基於群的軌跡分析模型，依照用藥曲線的相似性進行分群，進而挖掘人群的用藥軌跡曲線。這一步使得具有相似用藥曲線的人分到一群中，並用一條用藥軌跡來代表著這一群人，從而實現了用幾條特徵曲線來清楚地展示所有人群的用藥特徵；

第三步，對影響未來用藥軌跡的基礎特徵進行篩選；

第四步，針對不同用藥軌跡組的人群，挖掘對比人群特徵以及對腦卒中結果的影響；

第五步，建立對用藥軌跡的預測模型。

結果顯示出華法林用藥在人群中呈現出三條不同軌跡。按軌跡將人群分為 3 組後，可觀測出與腦卒中的發生有著密切關係。

此外，不同組人群在年齡、病情、用藥史上呈現出了不同的特徵。預測模型共篩選出了 29 個特徵，多項邏輯回歸模型在測試數據集上呈現出較好的預測結果。

三組的 AUC（曲線下面積）分別為：0.757，0.616 和 0.748。

與會的 IBM 中國研究院認知醫療團隊

點擊閱讀原文可查看職位詳情，期待你的加入~

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！