當(dāng)談到危重患者的治療策略時，臨床醫(yī)生希望能夠考慮他們所有的選擇和給藥時機，并為他們的患者做出最佳決定。雖然臨床醫(yī)生的經(jīng)驗和研究幫助他們在這項工作中取得了成功，但并非所有患者都是相同的，在這個關(guān)鍵時刻的治療決策可能意味著患者改善與快速惡化之間的差異。因此，醫(yī)生能夠獲取患者先前已知的健康狀況并接受治療，并以此來預(yù)測患者在不同治療場景下的健康結(jié)果，以選擇最佳路徑，這將是有幫助的。
現(xiàn)在，來自 MIT 和 IBM 研究人員的一種名為 G-Net 的深度學(xué)習(xí)技術(shù)為因果反事實預(yù)測提供了一個窗口，讓醫(yī)生有機會探索患者在不同治療計劃下的表現(xiàn)。G-Net 的基礎(chǔ)是 g 計算算法，這是一種因果推理方法，可在存在測量的混雜變量(可能影響治療和結(jié)果的混雜變量)的情況下估計動態(tài)暴露的影響。與之前使用線性建模方法的 g 計算框架的實現(xiàn)不同，G-Net 使用循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)，它具有節(jié)點連接，使它們能夠更好地模擬具有復(fù)雜和非線性動力學(xué)的時間序列，就像在生理和臨床時間序列數(shù)據(jù)中發(fā)現(xiàn)的那樣。通過這種方式，醫(yī)生可以根據(jù)患者病史制定替代計劃，并在做出決定之前對其進(jìn)行測試。
“我們的最終目標(biāo)是開發(fā)一種機器學(xué)習(xí)技術(shù)，讓醫(yī)生能夠探索各種‘假設(shè)’情景和治療方案，”麻省理工學(xué)院醫(yī)學(xué)工程與科學(xué)研究所的研究科學(xué)家、麻省理工學(xué)院的李偉雷曼說。 IBM Watson AI Lab 項目負(fù)責(zé)人。“在反事實預(yù)測的深度學(xué)習(xí)方面已經(jīng)做了很多工作，但[它]一直專注于點曝光設(shè)置，”或靜態(tài)的、時變的治療策略，允許隨著患者病史的變化調(diào)整治療。然而，她的團(tuán)隊的新預(yù)測方法提供了治療計劃的靈活性和隨著患者協(xié)變量病史和過去治療的變化而隨時間改變治療的機會。G-Net 是第一個基于 g 計算的深度學(xué)習(xí)方法，可以預(yù)測動態(tài)和時變治療策略下的人群水平和個體水平的治療效果。”
該研究最近發(fā)表在機器學(xué)習(xí)研究論文集上，由 Rui Li MEng '20、Stephanie Hu MEng '21、前麻省理工學(xué)院博士后 Mingyu Lu MD、研究生 Yuria Utsumi、IBM 研究人員 Prithwish Chakraborty 共同撰寫， IBM 混合云服務(wù)研究總監(jiān) Daby Sow、IBM 數(shù)據(jù)科學(xué)家 Piyush Madan、IBM 研究科學(xué)家 Mohamed Ghalwash 和 IBM 研究科學(xué)家 Zach Shahn。
標(biāo)簽：
免責(zé)聲明：本文由用戶上傳，如有侵權(quán)請聯(lián)系刪除！