死亡和數(shù)據(jù)科學(xué)：看機(jī)器學(xué)習(xí)如何改善臨終關(guān)懷

　　KenSci是一家為醫(yī)療行業(yè)開發(fā)機(jī)器學(xué)習(xí)風(fēng)險(xiǎn)預(yù)測平臺(tái)的公司，該公司最近發(fā)表了一篇關(guān)于預(yù)測臨終死亡率并改善護(hù)理的論文。

　　這篇論文針對(duì)的是一個(gè)非常棘手的話題，對(duì)患者的最近六至十二個(gè)月內(nèi)的死亡風(fēng)險(xiǎn)進(jìn)行預(yù)測，它已經(jīng)被人工智能促進(jìn)協(xié)會(huì)(Association for the Advancement of Artificial Intelligence)接受。處于危急關(guān)頭的是，在個(gè)人生命最后一年的護(hù)理花費(fèi)了2050億美元。但這不僅僅是成本的問題。以下內(nèi)容摘自《死亡與數(shù)據(jù)科學(xué)：預(yù)測生命的終結(jié)》(《Death vs. Data Science： Predicting End of Life》)這篇論文。

　　使用姑息治療服務(wù)的美國人的人數(shù)持續(xù)增長，估計(jì)已經(jīng)有170萬人，即死亡人數(shù)的46%(NHPCO 2016)。然而，這些服務(wù)被利用得太晚了：2016年病患在臨終關(guān)懷醫(yī)院停留時(shí)間的中值只有23天。此外，28%的臨終關(guān)懷患者在入院后7天內(nèi)出院或死亡(NHPCO 2016)。在Christakis及其同事的工作中，他們認(rèn)為臨終關(guān)懷醫(yī)師覺得80-90天的臨終關(guān)懷護(hù)理最適合患者及其家屬的需求(Christakis 1997)。對(duì)死者家屬進(jìn)行的調(diào)查表明，對(duì)臨終關(guān)懷的滿意度與他們對(duì)臨終關(guān)懷轉(zhuǎn)診及時(shí)性的看法相關(guān)(Teno等人的研究。2007)。最后，那些在那些經(jīng)常遇到住院病人死亡的醫(yī)療機(jī)構(gòu)中，緊急醫(yī)護(hù)人員和重癥監(jiān)護(hù)護(hù)士等醫(yī)護(hù)人員的職業(yè)倦怠比例非常高(Embriaco 等人的研究。2007)。因此，最終得出的結(jié)論是，及時(shí)和適當(dāng)?shù)呐R終關(guān)懷護(hù)理會(huì)影響Quadruple Aim醫(yī)療保健的所有方面(質(zhì)量、滿意度、成本節(jié)約和提供者滿意度)。

　　我們正在組織一系列關(guān)于數(shù)據(jù)科學(xué)家及其使用的方法的文章，作為這個(gè)系列的一部分，我們“抓住了”KenSci的首席技術(shù)官及該論文的作者之一——Ankur Teredesai，這篇論文在這個(gè)新興的技術(shù)類別中得到了認(rèn)可。

　　你用什么數(shù)據(jù)集來建模?

　　預(yù)測六至十二個(gè)月內(nèi)的死亡率風(fēng)險(xiǎn)是一項(xiàng)非常復(fù)雜的挑戰(zhàn)。在美國，這是一個(gè)價(jià)值2050億美元的問題。在KenSci，我們有一個(gè)旨在提高機(jī)器學(xué)習(xí)的規(guī)模和運(yùn)營效率的平臺(tái)，以解決諸如此類有巨大社會(huì)影響的問題。在這個(gè)特定的環(huán)境中，我們已經(jīng)有了根據(jù)以前的努力預(yù)測六至十二個(gè)月內(nèi)死亡率的機(jī)器學(xué)習(xí)模型。我們與美國西北部的兩家主要的醫(yī)療系統(tǒng)進(jìn)行了合作，并重新訓(xùn)練了我們的模型，并且用新數(shù)據(jù)創(chuàng)建了更多的模型。

　　來自Health System A的數(shù)據(jù)包含的是患有心力衰竭(HF)病史的患者群體，其中包括4，888名病患，以及他們的各種電子病歷數(shù)據(jù)，這些數(shù)據(jù)包括：

　　人口統(tǒng)計(jì)學(xué)上的特征

　　病人停留的時(shí)間長度

　　總體成本相關(guān)特征

　　具體的費(fèi)用相關(guān)特征(住院病人、門診病人、家庭健康、臨終關(guān)懷、熟練護(hù)理機(jī)構(gòu))的再入院信息

　　通過醫(yī)療保健通用程序編碼系統(tǒng)(Healthcare Common Procedure Coding System，包括救護(hù)車、醫(yī)療設(shè)備和假肢等)對(duì)所執(zhí)行的程序進(jìn)行跟蹤

　　Health System B的數(shù)據(jù)包含了48，365名患者，這些患者患有各種類型的疾病。Health System B只有醫(yī)療索賠數(shù)據(jù)可用。

　　這篇論文詳細(xì)介紹了用于建模的數(shù)據(jù)元素。

　　大數(shù)據(jù)技術(shù)如何應(yīng)用于你的研究?這項(xiàng)工作缺少了哪些夢想中的數(shù)據(jù)集?

　　我們使用了微軟的Azure云來運(yùn)行一些底層組件。我們還與現(xiàn)有的企業(yè)大數(shù)據(jù)投資無縫集成，以確保醫(yī)療保健行業(yè)可以從大量數(shù)據(jù)源中受益。

　　KenSci與世界各地的醫(yī)療保健合作伙伴進(jìn)行了合作，收集了從EMR(電子醫(yī)療記錄)、社會(huì)心理學(xué)數(shù)據(jù)到醫(yī)療索賠和財(cái)務(wù)信息等各種數(shù)據(jù)集，從而實(shí)現(xiàn)了對(duì)患者和整個(gè)醫(yī)院人口狀況的縱向觀察。該系統(tǒng)基于云，因此可以在新的數(shù)據(jù)源可用時(shí)連接到這些數(shù)據(jù)源。

　　對(duì)六至十二個(gè)月的死亡率進(jìn)行預(yù)測，并根據(jù)據(jù)此獲得的見解幫助醫(yī)生將患者轉(zhuǎn)為姑息治療，在這種情況下的預(yù)測是一項(xiàng)非常復(fù)雜的工作。諸如人口統(tǒng)計(jì)學(xué)和共病的數(shù)據(jù)提供了良好的結(jié)果，但諸如醫(yī)生輸入或處方中的變化之類的額外數(shù)據(jù)源經(jīng)常也可以提供額外的信息。歸根結(jié)底，機(jī)器學(xué)習(xí)中從未有過一個(gè)理想的“夢想中的”數(shù)據(jù)集。EMR中包含的關(guān)于一個(gè)患者的信息傾向于少于10%。在日益聯(lián)系的世界中，我們將繼續(xù)生成額外的數(shù)據(jù)資產(chǎn)，從而增加數(shù)據(jù)驅(qū)動(dòng)型決策的復(fù)雜性。機(jī)器學(xué)習(xí)的優(yōu)勢在于能夠逐步學(xué)習(xí)，并通過更多的數(shù)據(jù)和反饋進(jìn)行改進(jìn)。

　　你是如何建立這個(gè)模型的?在建立它的過程中，人類輸入起到了什么作用?

　　我們?cè)谀X海中建立了具有輔助智能的模型。我們?cè)贙enSci開發(fā)的每一種模型都建立在這樣的理念之上：人的輸入將成為提供護(hù)理的每一個(gè)步驟的關(guān)鍵因素。KenSci機(jī)器學(xué)習(xí)(ML)平臺(tái)有利于可解釋的機(jī)器學(xué)習(xí)模型，這些模型可以解釋其正確性并進(jìn)行驗(yàn)證，然后KenSci的醫(yī)生和臨床醫(yī)生不僅僅會(huì)驗(yàn)證機(jī)器學(xué)習(xí)模型的輸出，還會(huì)幫助確定臨床工作流中的輸入特征，然后再將其集成到任何工具中。整個(gè)過程非常嚴(yán)格，我們一直在尋找方法使其更具輔助性，同時(shí)還要保持嚴(yán)謹(jǐn)。

　　這個(gè)話題是一個(gè)非常敏感的話題，對(duì)于用算法決定護(hù)理的做法自然會(huì)引發(fā)種種擔(dān)憂。什么方法最適合用來決定在臨終護(hù)理過程中應(yīng)該采取哪些護(hù)理措施呢?

　　在KenSci，我們致力于通過提高醫(yī)院和護(hù)理人員的效率來提高患者治療結(jié)果的質(zhì)量。使用人工智能算法可以提供誰可能會(huì)生病、如何生病、何時(shí)生病，以及在整個(gè)護(hù)理持續(xù)過程中如何有效地服務(wù)患者方面的見解。雖然人工智能仍然是醫(yī)療保健的新丁，但它的智能可以被看護(hù)人和醫(yī)院系統(tǒng)用來提高效率。醫(yī)生永遠(yuǎn)是決策者，算法不會(huì)介入醫(yī)生和患者之間的關(guān)系。廣義的智能是我們需要使用的一種工具，但是當(dāng)涉及到醫(yī)療保健和臨終問題的時(shí)候，決定權(quán)在醫(yī)生和患者手中。

　　在KenSci，我們將人工智能視為輔助智能，即它旨在幫助正在使用該技術(shù)的專家，而不是要替代他們。這也適用于這里討論的臨終關(guān)懷轉(zhuǎn)變的問題。這些模型旨在幫助醫(yī)生注意到可能疏忽掉的屬性，因?yàn)闄C(jī)器學(xué)習(xí)可以在分層中注意大量變量，因此人工智能可以提供額外的知識(shí)以做出更明智的決定。

　　如果沒有EHRs，這項(xiàng)研究是否可能?您如何處理醫(yī)療系統(tǒng)中尚未結(jié)構(gòu)化的數(shù)據(jù)(即紙張上的數(shù)據(jù)或者是更糟糕的一些數(shù)據(jù))?

　　EHR數(shù)據(jù)是必要的，但不足以在醫(yī)療領(lǐng)域中產(chǎn)生深刻的見解和預(yù)測。盡管非結(jié)構(gòu)化數(shù)據(jù)可以為預(yù)測模型增加有用的附加信息，但即使是醫(yī)療系統(tǒng)內(nèi)一些簡單的問題也仍未得到解決，因?yàn)榧词故墙Y(jié)構(gòu)化的數(shù)據(jù)也還沒有發(fā)揮它們?nèi)康淖饔?。結(jié)構(gòu)化數(shù)據(jù)提供了足夠的豐富性來提供描述性統(tǒng)計(jì)數(shù)據(jù)，并為再入院風(fēng)險(xiǎn)、死亡率預(yù)測、急診部門利用率預(yù)測等問題提供足夠好的預(yù)測模型。然而，EHR和其他結(jié)構(gòu)化數(shù)據(jù)尚未發(fā)揮的其最大潛力。

　　這些預(yù)測從本質(zhì)上來說是因人而異的，既然如此，你是如何在宏觀層面上處理像成本節(jié)約這樣的話題的呢?

　　盡管臨終關(guān)懷本質(zhì)上是個(gè)性化的，但預(yù)測高成本患者隊(duì)列并確定導(dǎo)致高成本和高利用率的模式對(duì)醫(yī)院和衛(wèi)生系統(tǒng)來說是至關(guān)重要的。KenSci的解決方案可以通過分析縱向的醫(yī)療記錄來幫助確定高成本人群，通過對(duì)疾病進(jìn)行建模并預(yù)測生命終點(diǎn)來提高姑息治療的利用率，從而預(yù)測未來高用量人群。

　　然而，一個(gè)像這樣的系統(tǒng)可以做的可不僅僅提供生命終點(diǎn)預(yù)測這么簡單——它還可以讓醫(yī)護(hù)人員探索患者的風(fēng)險(xiǎn)狀況，并且預(yù)測潛在的再入院可能。雖然降低成本對(duì)于醫(yī)療系統(tǒng)顯然極具吸引力，但是這樣的系統(tǒng)也能夠在各個(gè)領(lǐng)域中為患者提供更好的護(hù)理。在各種情況下，機(jī)器學(xué)習(xí)系統(tǒng)可以幫助減少醫(yī)生的職業(yè)倦怠，協(xié)助人員配置并提示出可能需要進(jìn)行醫(yī)療干預(yù)的患者。從機(jī)器學(xué)習(xí)系統(tǒng)中獲得的見解可以幫助看護(hù)者就客戶對(duì)于臨終關(guān)懷的愿望與其進(jìn)行知情程度更高、更為積極主動(dòng)的交流。