死亡和数据科学：看机器学习如何改善临终关怀

本篇文章2772字，读完约7分钟

Kensci，一家为医疗行业开发机器学习风险预测平台的公司，最近发表了一篇关于预测死亡和改善护理的论文。

这篇论文针对的是一个非常困难的话题，即预测病人在过去6到12个月内的死亡风险。它已经被人工智能促进协会所接受。在关键时刻，一个人生命最后一年的护理花费了2050亿美元。但这不仅仅是成本问题。以下内容摘自《死亡与数据科学:预测生命的终结》一文。

使用姑息治疗服务的美国人数量持续增长，估计有170万人，占死亡人数的46%(NHPCO，2016)。然而，这些服务使用得太晚了:2016年，患者在临终关怀医院的平均停留时间仅为23天。此外，28%的临终关怀患者在入院后7天内出院或死亡(nhpco，2016年)。在christakis和他的同事的工作中，他们认为临终关怀医生认为80-90天的临终关怀最适合病人及其家人的需要(christakis 1997)。对死者家属的调查显示，他们对临终关怀的满意度与他们对及时转诊到临终关怀的看法有关(teno等人，2007年)。最后，在那些经常遇到住院病人死亡的医疗机构中，急诊医务人员和重症监护护士等医务人员的职业倦怠比率非常高(embriaco等人，2007年)。因此，最终结论是，及时和适当的临终关怀将影响四重目标医疗保健的所有方面(质量、满意度、成本节约和提供者满意度)。

我们正在组织一系列关于数据科学家及其使用方法的文章。作为这个系列的一部分，我们“抓住”了Ankur Teredesai，kensci的首席技术官，也是这篇论文的作者之一，这篇论文已经在这个新技术类别中得到认可。

你用什么数据集来建模？

预测6至12个月内的死亡风险是一项非常复杂的挑战。在美国，这是一个价值2050亿美元的问题。在kensci，我们有一个平台，旨在提高机器学习的规模和运行效率，从而解决具有巨大社会影响的问题。在这种特定的环境中，我们有一个机器学习模型，可以根据以前的努力预测6到12个月内的死亡率。我们与美国西北部的两个主要医疗系统合作，重新训练我们的模型，并用新数据创建更多的模型。

来自卫生系统a的数据包括有心力衰竭病史的患者(包括4，888名患者)及其各种电子医疗记录，包括:

人口特征。

患者的住院时间

总体成本相关特征

特定费用相关特征(住院病人、门诊病人、家庭保健、临终关怀、熟练护理机构)的再入院信息

通过医疗保健通用程序编码系统跟踪执行的程序，包括救护车、医疗设备和假肢等。

卫生系统b数据包括48，365名患有各种疾病的患者。卫生系统b只有医疗索赔数据。

本文详细介绍了用于建模的数据元素。

大数据技术如何应用于您的研究？这项工作缺少什么样的梦想数据集？我们使用微软azure Cloud来运行一些底层组件。我们还与现有的企业大数据投资无缝集成，以确保医疗保健行业能够从大量数据源中受益。

Kensci与世界各地的医疗合作伙伴合作，从电子病历、社会心理数据、医疗索赔和财务信息等收集了各种数据集。从而实现对患者和整个医院人群的纵向观察。该系统基于云，因此当新数据源可用时，您可以连接到它们。

预测6至12个月的死亡率并根据从中获得的见解帮助医生将患者转变为姑息治疗是一项非常复杂的任务。人口统计学和共病性等数据提供了良好的结果，但其他数据源(如医生输入或处方变化)通常可以提供额外的信息。归根结底，在机器学习中从来没有一个理想的“梦想”数据集。电子病历中包含的患者信息往往少于10%。在日益互联的世界中，我们将继续生成额外的数据资产，从而增加数据驱动决策的复杂性。机器学习的优势在于它可以通过更多的数据和反馈逐步学习和提高。

你是如何建立这个模型的？在建立它的过程中，人的投入发挥了什么作用？

我们在头脑中建立了一个带有辅助智能的模型。我们在kensci开发的每一个模型都是基于这样一个理念，即在提供护理的每一个步骤中，人的投入都将成为一个关键因素。kensci的机器学习(ml)平台有利于解释机器学习模型，解释和验证它们的正确性。然后，kensci的医生和临床医生将不仅验证机器学习模型的输出，而且帮助确定临床工作流中的输入特征，然后将其集成到任何工具中。整个过程是非常严格的，我们总是在寻找方法使它更有辅助性，同时保持它的严格性。

这是一个非常敏感的话题，它自然会引起人们对运用算法进行护理决策的种种担忧。在临终关怀过程中，什么方法最适合决定应该采取哪些护理措施？在kensci，我们致力于通过提高医院和护理人员的效率来提高患者治疗结果的质量。使用人工智能算法可以提供关于谁可能生病、如何和何时以及如何在整个护理过程中有效地为患者服务的见解。尽管人工智能在医疗保健领域还是一个新生事物，但它的智能可以被护理人员和医院系统用来提高效率。医生总是决策者，算法不会干扰医生和病人之间的关系。广义上的智能是我们需要使用的工具，但当涉及到医疗保健和临终问题时，决定权在医生和病人手中。

在kensci，我们将人工智能视为辅助智能，也就是说，它旨在帮助使用这项技术的专家，而不是取代他们。这也适用于这里讨论的临终关怀的变化。这些模型旨在帮助医生关注可能被忽视的属性，因为机器学习可以关注分层中的大量变量，所以人工智能可以提供额外的知识来做出更明智的决策。

没有EHR，这项研究可能吗？您如何处理医疗系统中的非结构化数据(即纸面数据或更糟的数据)？

Ehr数据是必要的，但它不足以在医学领域产生深刻的见解和预测。尽管非结构化数据可以为预测模型添加有用的附加信息，但即使是医疗系统中的一些简单问题也没有得到解决，因为即使是结构化数据也没有充分发挥其作用。结构化数据足够丰富，可以提供描述性统计数据，并为再入院风险、死亡率预测、急诊科利用率预测和其他问题提供足够好的预测模型。然而，ehr和其他结构化数据尚未充分发挥其潜力。

本质上，这些预测因人而异。在这种情况下，你如何在宏观层面上处理成本节约这样的话题？尽管临终关怀在本质上是个性化的，但对医院和卫生系统来说，预测高成本患者队列并确定导致高成本和高利用率的模式是非常重要的。Kensci的解决方案可以通过分析纵向病历来帮助识别高成本人群，并通过对疾病建模和预测生命终点来提高姑息治疗的利用率，从而预测未来的高剂量人群。

然而，像这样的系统不仅仅可以提供生命终结的预测——它还可以让医务人员探索病人的风险状态，并预测潜在的再入院的可能性。虽然降低成本对医疗系统有明显的吸引力，但是这种系统也可以在各个领域为患者提供更好的护理。在各种情况下，机器学习系统可以帮助减少医生的工作倦怠，协助人员配备和提示可能需要医疗干预的病人。从机器学习系统中获得的见解可以帮助护理人员以更加知情和主动的方式与客户交流他们对临终关怀的愿望。

(主编:岳hn152)

来源：搜狐微门户