为什么ICU是医院最适合数字化型的病房？循证医学是现代医学的基础

循证医学是现代医学的基础，但现代医学中只有10%～20%的建议是基于证据的，这种循证医学局限性在重症医学领域尤为突出。近期，一篇发表于Critical Care的文章提出，人工智能有助于弥补循证医学在重症医学应用的局限性，重症监护病房(ICU)是医院最适合数字化转型的病房，并对应用于的人工智能算法及案例进行了阐述。
01
ICU是最适合数字化转型的病房
循证医学的核心思想是临床医生在诊治过程中遵循当前最佳的临床证据，而多中心的随机对照试验是论证强度最高的证据。近年来，在重症医学领域，大量关注死亡率和主要临床结果的随机对照试验均产生了阴性结果，这与危重症患者人群的特点有关：入住ICU情况不同的患者，在合并病、年龄和基线死亡率方面有很大差异。因此，重病医学中阴性试验的高频率可能与异质性和混杂效应有关。相应地， ICU患者接受某特定治疗的获益也表现出很大差异性（异质性）。
【为什么ICU是医院最适合数字化型的病房？】医院ICU配置的大量监测系统，分秒不断地收集患者的呼吸、血流动力学等数据，电子病历系统也能够轻易收集大量患者数据，使用传统的统计分析方法对如此高粒度、海量的数据进行分析过于困难与耗时，也使临床医生无法在大量数据中实时找到关键特征进行准确的诊疗决策。
人工智能的发展与应用有望打破这种局面。人工智能中的机器学习算法具有大数据分析处理能力，算法模型经过大型原始数据集训练后，能对应用环境中产生的数据进行实时化的关键特征挖掘，为临床快速推算出诊疗决策所需的信息与知识。而ICU在持续监测患者中产生的大型数据集，为算法模型的训练与应用提供了“土壤” 。
下图体现了一个ICU病患入院期间产生的复杂数据，从刚入院到病情进展时的器官衰竭水平，涵盖了所有治疗、生物学及临床数据。机器学习算法可以综合病患整个住院期间的数据进行预测结果输出，较仅依靠SOFA（序贯器官衰竭评估）、APACHE-II（急性生理学和慢性健康评估II）分值进行决策更具优势，帮助临床迈向个体化治疗。

文章图片

文章图片
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。

文章图片

文章图片
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。