近幾十年以來，心臟病是
導致美國人死亡
的主要因素，所以患有心臟衰竭 （Heart Failure） 的美國人
越來越多
一點也不奇怪。預計到2030年，確診患有心臟衰竭的美國成年人將會增加46％，這意味著患病人數將達到八百萬，
一半左右的人在確診五年內死亡
。
（雷鋒網 AI 科技評論按：心力衰竭簡稱心衰，是指由於心臟的收縮功能和/或舒張功能發生障礙，不能將靜脈回心血量充分排出心臟，導致靜脈系統血液淤積，動脈系統血液灌注不足，從而引起心臟迴圈障礙症候群）
心臟衰竭很難早確診，在美國國家衛生研究院 (National Institutes of Health) 幫助下， IBM Research 的一個科學家團隊聯合 Sutter Health 的科學家與 Geisinger Health System 的臨床專家，
利用基於電子病歷 (Electronic Health Records) 背後可能隱藏的資訊，研究和預測心力衰竭
。在過去三年裡，利用自然語言處理、機器學習和大資料分析等 AI 最新進展，該團隊訓練了一個比現今典型診斷早一至兩年確診心力衰竭的模型。這項研究提出了關於訓練模型所需資料以及實際權衡等方面的重要見解，並開發了更容易應用在未來模型的新應用方法。
正常心臟和衰竭心臟
來源：美國心臟協會
現在的醫生通常會對病人安排心力衰竭測試，並在病歷中記錄患者心力衰竭的體征和症狀。儘管已經做出了最大的努力，但是患者通常是在急性事件接受住院治療之後，才被診斷出心力衰竭，此時疾病已經對身體造成了不可逆轉的漸進性☆禁☆器官損傷。
該團隊的研究重點是，在典型臨床診斷的前一年或前幾年，通過利用電子病歷系統中包含的資料，檢測和預測出病人患有心力衰竭的風險有多大。
為了實現他們的目標，應用自然語言處理和機器學習方法，該團隊開發和應用了幾種認知計算和 AI 技術來分析專案中的患者資料。
在專案過程中，團隊致力於實現一系列目標，得到了一些意想不到的發現，其中包括：
1.第一個目的是瞭解
Framingham Heart Failure Signs and Symptoms
(FHFSS) 用於早期檢測的有效性， FHFSS 是臨床醫生通常用來診斷心力衰竭的傳統風險因素。研究者使用
自然語言處理技術
（NLP），通過解析資訊和識別概念（包括富氏風險標準 (Framingham risk criteria) 或其他類型的症狀），從非結構化資料（如醫生筆記）中提取資訊。有趣的是，研究結果顯示，28 例原始 FHFSS 體征和症狀中，只有6例確定是未來呈現心力衰竭的可靠預測因數。
2.第二個目的是，通過將醫生筆記的非結構化資料與結構化電子病歷資料相結合，確定能否更準確地預測心力衰竭。為此，團隊應用
機器學習方法
來構建考慮變數組合的預測模型。研究結果顯示，與 FHFSS 聯合使用時，收集在電子病歷中的其他常規資料類型（如疾病診斷，藥物處方和實驗室檢查）可能是預測患者心力衰竭發作更有用的預測因素。
以上顯示了心力衰竭預測研究的模型圖，該模型可比當前手段早一到兩年確定心力衰竭。
使用縱向電子病歷資料(EHR)，研究者在觀察期中提取和分析了各種結構化和非結構化資料類型，其中索引日期代表可以進行預測的最早日期，預測期（ prediction window ）指的是傳統手段診斷前，模型能夠做出預測的一個時間段。
在幫助檢測個體心力衰竭的可能性方面，研究還使團隊深入認識到特定資料類型與實用性之間的權衡。例如，當使用更多樣化的資料類型時，模型的性能得到了改善，其中診斷、用藥遺囑和住院資料三者之間的兩兩組合是最重要的資料類型。利用知識驅動的藥物和診斷本體，將變數概括為更高層次的概念，並開發出資料驅動的方法來識別和選擇最顯著的變數，創建出更小和更強大的變數子集。最終，團隊開發出性能和實用性都優良的預測模型。
這從臨床的角度來看至關重要，因為模型中使用的患者因素可能超過了1000個，但是沒有醫療保健專業人員希望輸入如此多的變數。對於訓練有效預測疾病模型所需資料的最低數量和類型，這些研究成果提出了可實現的指導方針。去年11月，發表在 Circulation: Cardiovascular Quality and Outcomes 的一篇論文 (“
Early Detection of Heart Failure Using Electronic Health Records
”) 和另一篇論文 (“
Learning About Machine Learning: The Promise and Pitfalls of Big Data and the Electronic Health Record
”) 記錄了這一研究的其他實際意義。
以上三方將繼續合作，進一步推進目前的研究結果。這項工作令人振奮的一面是，它有適用於其他疾病的潛在可能性。大資料的可用性聯合革新的認知計算，有望令臨床診斷和早期疾病檢測方面取得重大進展。更多資訊請關注雷鋒網。
via
ibm
, 雷鋒網編譯