近几十年以来,心脏病是导致美国人死亡的主要因素,所以患有心脏衰竭(Heart Failure)的美国人越来越多一点也不奇怪。预计到 2030 年,确诊患有心脏衰竭的美国成年人将会增加 46%,这意味着患病人数将达到 800 万,一半左右的人在确诊 5 年内死亡。
心脏衰竭是指由于心脏的收缩功能或舒张功能发生障碍,不能将静脉回心血量充分排出心脏,导致静脉系统血液淤积,动脉系统血液灌注不足,而引起心脏循环障碍症候群。
心脏衰竭很难早确诊,在美国国家卫生研究院(National Institutes of Health)帮助下, IBM Research 的一个科学家团队联合 Sutter Health 的科学家与 Geisinger Health System 的临床专家,利用基于电子病历(Electronic Health Records)背后可能隐藏的讯息,研究和预测心脏衰竭。在过去 3 年里,利用自然语言处理、机器学习和大数据分析等 AI 最新进展,该团队训练了一个比现今典型诊断早一至两年确诊心脏衰竭的模型。这项研究提出了关于训练模型所需数据,以及实际权衡等方面的重要见解,并开发了更容易应用在未来模型的新应用方法。
▲ 正常心脏和衰竭心脏。(Source:美国心脏协会)
现在的医生通常会对病人安排心脏衰竭测试,并在病历中记录患者心脏衰竭的体征和症状。尽管已经做了最大的努力,但是患者通常是在急性事件接受住院治疗之后,才被诊断出心脏衰竭,此时疾病已经对身体造成不可逆转的渐进性器官损伤。
该团队的研究重点是,在典型临床诊断的前一年或前几年,透过利用电子病历系统包含的数据,检测和预测病人患有心脏衰竭的风险有多大。
为了达到他们的目标,应用自然语言处理和机器学习方法,该团队开发和应用了几种认知计算和 AI 技术来分析项目中的患者数据。
在项目过程中,团队致力于达成一系列目标,得到一些意想不到的发现,其中包括:
- 第一个目的是了解 Framingham Heart Failure Signs and Symptoms(FHFSS)用于早期检测的有效性, FHFSS 是临床医生通常用来诊断心力衰竭的传统风险因素。研究者使用自然语言处理技术(NLP),透过分析讯息和辨识概念(包括富氏风险标准(Framingham risk criteria)或其他类型的症状),从非结构化数据(如医生笔记)中提取资讯。有趣的是,研究结果显示,28 例原始 FHFSS 体征和症状中,只有 6 例确定是未来呈现心脏衰竭的可靠预测因子。
- 第二个目的是,透过将医生笔记的非结构化数据与结构化电子病历数据相结合,确定能否更准确地预测心脏衰竭。为此,团队应用机器学习方法来构建考虑变量组合的预测模型。研究结果显示,与 FHFSS 联合使用时,收集在电子病历中的其他常规数据类型(如疾病诊断、药物处方和实验室检查)可能是预测患者心脏衰竭发作更有用的预测因素。
(Source:IBM)
以上显示了心脏衰竭预测研究的模型图,该模型可比当前技术早一到两年确定心脏衰竭。
使用纵向电子病历数据(EHR),研究者在观察期中提取和分析了各种结构化和非结构化数据类型,其中索引日期代表可以进行预测的最早日期,预测期( prediction window )指的是传统手段诊断前,模型能够预测的一个时间段。
在帮助检测个体心脏衰竭的可能性方面,研究还使团队深入认识特定数据类型与实用性之间的权衡。例如,当使用更多样化的数据类型时,模型的性能得到改善,其中诊断、用药遗嘱和住院数据三者之间的两两组合是最重要的数据类型。利用知识驱动的药物和诊断本体,将变量概括为更高层次的概念,并开发出数据驱动的方法来辨识和选择最显著的变量,创建出更小和更强大的变量子集。最终,团队开发出性能和实用性都优良的预测模型。
这从临床的角度来看非常重要,因为模型中使用的患者因素可能超过了 1,000 个,但是没有医疗保健专业人员希望输入如此多变量。对于训练有效预测疾病模型所需数据的最低数量和类型,这些研究成果提出了可实现的指导方针。去年 11 月,发表在 Circulation: Cardiovascular Quality and Outcomes 的一篇论文“Early Detection of Heart Failure Using Electronic Health Records”和另一篇论文“Learning About Machine Learning: The Promise and Pitfalls of Big Data and the Electronic Health Record”记录了这一研究的其他实际意义。
以上三方将继续合作,进一步推进目前的研究结果。这项工作令人振奋的一面是,有适用于其他疾病的潜在可能性。大数据的可用性联合革新的认知计算,有望让临床诊断和早期疾病检测方面取得重大进展。
- Using AI and science to predict heart failure
(本文由 雷锋网 授权转载;首图来源:pixabay)