机器学习帮助UI Health Care减少手术部位感染74％，

想象一下，外科医生在为患者闭合伤口时，就能实时了解患者是否会遭受手术感染。这就是机器学习（Machine Learning）在爱荷华大学医院和诊所实现的临床改变。

迄今为止，卫生系统通过人工智能分析进行的创新使得手术部位感染在三年内减少了74％，在规模上节省了120万美元成本（不包括由于降低手术部位感染率而带来的基于价值的采购节省）。

在爱荷华州，越来越多的医院和技术供应商正在利用机器学习和人工智能开展创新计划。例如，约翰霍普金斯大学正在利用深度学习来改善其治疗胰腺癌的方法，AWS（亚马逊云服务）正在利用机器学习使医生更好地治疗抑郁症。

共同开发机器学习

爱荷华大学与供应商DASH Analytics共同开发机器学习技术，该系统被称为“DASH Analytics高精准医疗平台（High-Definition Care Platform，HDCP）”。通过应用机器学习，它能在医疗时间线的关键节点提供有价值的数据、指标和决策支持。

爱荷华大学表示，HDCP有助于降低手术感染率，降低手术期间需要输血的风险，挽救大脑衰竭的生命，并从无法识别的败血症中拯救生命。

爱荷华大学医院和诊所的副首席医疗官兼外科质量和安全主任、医学博士John Cromwell表示，该技术结合了多种功能。“这是一个机器学习系统，它使用行业标准和供应商特定的API与EHR集成，实时测量个体患者风险，并根据这些风险来对最佳实践进行评估。该系统能提供关键决策的具体建议，比如何时何地采用何种措施，由此提高临床水平。”Cromwell说。

“凭借这两项功能，HDCP在EHR工作流中集成了决策支持功能，并生成了关于他们如何使用数据改变患者结果的反馈，从而加强了高价值实践。”John Cromwell说。

该系统在后台默默地工作，监控患者治疗过程中的关键时间点，通过决策支持功能改善患者预后。在关键时间点，临床医生或其他一线医护人员可以在他们的EHR中看到决策支持，系统将向他们展示特定患者的特定风险以及可能减轻该风险的行为。

“风险评估是通过一流的机器学习算法得到的，这些算法对患者的实时和历史数据都进行分析。而且，这些风险模型可以专门针对个体进行校准。”Cromwell说。

工作原理

世界卫生组织外科安全检查表是几乎所有医院都在手术期间使用的，HDCP中的手术部位感染减少模块正是与该检查表整合的。当护士进行例行结束检查时，手术部位感染减少模块就在手术完成时被激活。

在模块激活时，来自EHR的实时数据（例如哪位外科医生、手术持续时间、预计失血量等）就会进入HDCP平台，并与患者的历史数据整合。然后，所有这些数据都流入手术部位感染预测模型。

“机器学习模型能计算感染风险，并将此风险与外科医生在伤口闭合时可能采取的特定干预措施联系起来，以降低感染风险。”Cromwell解释说，“然后，风险信息和可能的干预措施将在交互式界面中呈现给工作站的护士，护士再将信息传递给外科医生，整个过程只需几秒钟即可完成。”

只需单击一下，护士就会记录外科医生是否使用了决策支持建议。最终，患者对手术部位感染的结果返回到平台，并用于为外科医生生成汇总的报告，从而加强适当决策的使用。

Cromwell说：“外科医生很难整合必要的信息，以确定患者是否有高风险的手术部位感染。当然也有极少数特殊情况发生，由技术中断、病毒污染或高风险患者等因素造成的。”

有些干预措施可以在伤口闭合时进行，但这些干预可能是昂贵的或侵入性的。如果只有一小部分患者的手术部位会感染，那么会对所有患者进行这些干预吗？

Cromwell解释说：“选择性地在患者中使用这些干预措施，通过客观的风险标记来保证最大化治疗效果，同时最大限度地降低患者的成本和潜在风险。在机器学习的帮助下，我们能够选择性地对高风险患者使用负压伤口治疗，以实现74％的降低。如果没有该系统，我们无法客观地知道哪些患者需要使用这种昂贵的治疗方法。”

“要将某个患者的成百上千个变量整合起来，以便客观地衡量风险，机器学习在此过程中是至关重要的。”Cromwell说：“整合如此大量的信息是任何个人都无法完成的。医学知识呈指数级增长，医护人员无论他有多少经验，都无法获得所有数据以便他能在任何情况下都能应用最佳实践。”

他补充说，减少不良后果或并发症的系统方法需要系统地识别风险。机器学习算法，除少数例外，能够在一致的基础上比人类更有效地做到这一点。

“这消除了不同医生在风险评估方面的差异。”他说， “医护人员只有知道了风险，才可以继续降低风险。那些最佳实践是由数据支撑的，机器学习可以以一致的方式确定哪些患者应该应用这些最佳实践。通过客观和系统地处理风险，可以产生比任何药品更大的效果。”

时间:2018-09-17 13:10  来源:    转发量:次