谷歌Jeff Dean团队提出利用深度学习对“电子健康记录”数据进行分析，可提高医疗诊断预测的准确性

原文来源：arXiv

作者：Alvin Rajkomar、Eyal Oren、Kai Chen、Andrew M. Dai、Nissan Hajaj、Peter J. Liu、Xiaobing Liu, Mimi Sun、Patrik Sundberg、Hector Yee、Kun Zhang、Yi Zhang、Gavin E. Duggan、Gerardo Flores、Michaela Hardt、Jamie Irvine、Quoc Le、Kurt Litsch、Jake Marcus、Alexander Mossin、Justin Tansuwan、De Wang、James Wexler、Jimbo Wilson、Dana Ludwig、Samuel L. Volchenboum、Katherine Chou、Michael Pearson、Srinivasan Madabushi、Nigam H. Shah、Atul J. Butte、Michael Howell、Claire Cui、Greg Corrado、Jeff Dean

「雷克世界」编译：嗯~是阿童木呀

可以这样说，使用电子健康记录（EHR）数据进行预测建模预计将推动个性化医疗的发展，提高医疗质量。构建预测统计模型通常需要从正则化EHR数据中提取筛选后的预测变量，这是一个劳动密集型过程，将会丢失每个病人记录中绝大多数的信息。基于快速医疗保健互操作性资源（FHIR）格式，我们提出了患者的全部原始EHR记录的表示方法。我们经过实验证明，使用这种表示的深度学习方法能够准确预测来自多个中心的多个医疗事件，而无需站点特定的数据协调。我们使用来自两个美国学术医疗中心的非识别EHR数据对我们的方法进行验证，其中216,221名成年患者住院至少24小时。按照我们所提出的序列格式，这一卷EHR数据总共包含了46,864,534,945个数据点，包括临床说明。深度学习模型在预测诸如住院死亡率（跨站点AUROC为0.93-0.94）、30天计划外再入院（AUROC为 0.75-0.76）、延长住院时间（AUROC 0.85-0.86）以及所有患者的最终诊断（频率加权AUROC 为0.90）等任务中取得了较高的准确度。在这些所有情况下，这些模型的性能表现均优于传统的预测模型。我们还提供了一个神经网络归因系统的案例研究，用以说明临床医生是如何获得预测的一些透明度的。我们认为，这种方法可以用以为各种临床情景创建精确的、可扩展的预测，并提供完整解释，直凸显出病人图表中所展示的证据。

转自：雷克世界