图1 单个ICU病患住院期间产生的复杂性、变化性数据
02
机器学习算法在ICU中的应用
机器学习算法根据训练数据集标记与否可分为有监督学习与无监督学习,有监督学习是从有标记的训练数据集中进行学习与模式归纳,目前在重症医学中广泛使用。作者在文中介绍了决策树、支持向量机(SVM)和随机森林这几种监督学习算法,以及深度学习等算法。
决策树
决策树是一个类似于流程图的模型,通过与每个树节点相对应的多个决策节点对输入信息进行处理后产生结果。树的最顶层是根结点,分支的末端称为叶,决策过程是从根结点开始一步步走到叶子结点(最终的决策结果),其优点是能够清晰地表示特征的重要性和关系。图2简单体现了决策树算法作出脓毒性休克判断的决策过程。
图2 一个简单的脓毒症决策树
随机森林
随机森林是一种新兴、高度灵活的机器学习算法,它的基本单元是决策树,将大量同时工作的独立决策树集成“森林”。每棵决策树都是一个分类器,独立地对输入的数据进行分类,分类结果相当于民主的“投票”,拥有票数最高的分类作为最终输出结果。随机森林的优点是能够处理具有高维特征的输入样本与海量数据,能够解决单个决策树的偏差问题,因此比独立决策树有更好的性能。图3体现随机森林对脓毒症(Sepsis)的“投票”决策过程。
图3 随机森林算法决策示例
深度学习:神经网络
为了改善对复杂信息的处理,深度学习模型试图复制人类大脑的结构,使用非线性转换来增加抽象级别,并且与有监督学习模型不同的是,深度学习模型可以在没有预先标记或特征选择的情况下使用。
深度神经网络基于多层感知器,这些感知器是由若干层神经元组成的。每个神经元都有一个从0到1的数字,当神经元内的数字超过某个阈值(称为激活数)时,神经元就会激活。神经层的某些神经元群被激活后,下一层的其他神经元也会被激活,其方式与生物神经元类似。最后一层是输出层,在这一层,激活更频繁的一组神经元将在单个输出中占主导地位,给出模型的最终解释。随着神经网络复杂度和层数的增加,用于正确训练算法的数据数量也随之增加。目前深度学习已被广泛应用于图像识别、计算机视觉以及自然语言处理中。
03案例:机器学习算法的临床应用Komorowski等人利用强化学习算法开发了一个预测模型,能够对ICU成年患者动态地提供最佳治疗建议。该模型使用了ICU可用的两个最大的数据集——MIMIC-III和eICU研究所数据库进行训练与验证。结果显示,AI相对临床医生,在选择静脉输液和血管升压药物方面表现更好。且在实际治疗中,AI建议的液体剂量更低,血管升压药剂量更高。此外,接受AI建议剂量的患者死亡率最低。
Davoudi等人开展的一项研究中,利用机器学习算法对22名ICU患者进行谵妄和躁动的持续监测,主要是采用CAM(混淆评估法)-ICU评分量表,在患者的手腕、脚踝和手臂上安置三个加速度计,用相机与加速度计来记录面部表情和动作,最后用神经网络模型来对个体的表情进行识别和监测,由此持续评估患者的情绪,识别出谵妄患者。该模型的应用能够持续分析患者行动,不受昼夜因素影响而中断。
作者指出,人工智能对重症医学领域的赋能还将通过临床决策支持系统(CDSS)的应用进一步释放,CDSS与电子病历系统集成,能够综合患者的病历文本、检查检验数据等信息,较ICU医护人员作出决策前,更早预警患者病情,并提供诊疗建议,帮助临床进行精准治疗。
参考文献:
Artificial Intelligence in the Intensive Care Unit,Massimiliano Greco, MD1,2 Pier F. Caruso, MD1 Maurizio Cecconi, MD1,2
成为我们的
合作伙伴