大家都有住院的經驗，入院之后總會對接下來的事情，充滿擔憂。尤其是病患會不斷在心里問自己：「我什么時候可以回家？我會好起來嗎？我還要回診嗎？」

如果醫師與護理師能夠準確回答這些問題，有助于完善、安全且高效率地護理患者。若病患的健康狀況惡化，醫護人員也能搶得先機，主動采取措施。

透過人工智能去預測事態發展，已經非常普遍。我們用它來預測通勤途中的交通狀況，或把英文翻譯成西班牙語時，預測可能需要用到的詞匯。同樣的道理，我們是否能應用相同類型的機器學習進行「臨床預測」呢？

這樣的預測模型要能夠有實用價值，須具備以下兩點特征：

一、可擴展性：該預測模型要能進行多項預測，得出所有我們想要的信息，并且適用于不同醫院的系統。有鑒于醫療保健數據相當復雜，需要進行大量數據處理，這樣的要求可能不容易滿足。

二、準確性：預測結果要能幫助醫生關注到真正的病灶所在，不能誤導醫生去注意到不相干的地方。隨著電子病歷普及，我們刻正嘗試用其中的數據建立更加精準的預測模型。

我們聯合加州大學舊金山分校、史丹佛大學醫學院（Standford University School of Medicine）和芝加哥大學醫學院的同事，在《自然》雜志的兄弟期刊—《數字醫學》上發表了題為《可擴展且精準的深度學習與電子健康記錄》的論文。這篇論文有助于實現前述兩個目標。

以保護個資為原則處理后的電子病歷數據為基礎，我們用深度學習模型對住院患者進行了廣泛預測。值得一提的是，該模型可以直接使用原始數據，無需人工對相關變量進行提取、清洗、整理、轉換等一系列費時費力的操作。合作伙伴在將電子病歷數據交給我們之前，先對相關敏感個資內容做了適當處理。我們也采用了最先進的措施保障數據安全，包括邏輯分隔、嚴格的訪問控制，以及靜態和傳輸中的數據加密。

可擴展性

電子病歷非常復雜。以體溫為例，因測量位置不同（舌頭下方、耳膜或額頭），其往往具有不同含義。而體溫不過是電子病歷眾多參數中最簡單的之一。此外，各個衛生系統都有一套自己定制的電子病例系統，導致各個醫院的采集的數據大不相同。用機器學習處理這些數據之前，需要先將其統一格式。基于開放的FHIR標準，我們構建了一套標準格式。

格式統一后，我們就不需要手動選擇或調整相關變量了。進行各項預測時，深度學習模型會自動掃描過去到現在的所有數據點，并分析其中哪些數據對預測是有價值的。由于這一過程涉及數千個數據點，我們不得不開發了一些基于遞歸神經網絡（RNN）和前饋網絡的新型深度學習建模方法。

▲用時間線展示患者電子病歷中的數據。我們按行顯示各種類型的臨床數據，其中每個數據片段都用灰點表示，它們被存儲在 FHIR 中。 FHIR 是一種可供任何醫療機構使用的開放式數據標準。深度學習模型通過從左往右掃描時間表，分析患者從圖標開頭到現在的住院信息，并據此進行不同類型的預測。

▲患者入院24小時后，使用深度學習進行預測。上圖頂部的時間表包含了患者幾個月時間的歷史數據，以最近的數據做放大顯示。模型以紅色標識患者信息圖表中用于「解釋」其預測的信息。此研究案例中，模型標注了臨床上有意義的信息片段。

這對患者和臨床醫生意味著什么？

這項研究成果還處于早期階段，而且是基于「回顧性數據」得出的。事實上，證明機器學習可用于改善醫療保健這一假設，還有很多工作要做，本文不過是個開始。醫生正窮于應付各種警報和需求，機器學習模型是否能幫助處理繁瑣的管理任務，讓他們更專注于護理有需要的患者？我們是否可以幫助患者獲得高質量的護理，無論他們在哪里尋求治療？我們期待著與醫生和患者合作，找出這些問題的答案。