Google用深度学习分析电子病历，预测病患住院天数和死亡率

Google AI研究团队近日在官方部落格中发表靠深度学习模型分析电子病历的成果，该深度学习模型可预测病患住院期间的死亡率、意外的回院风险、住院天数和出院病情。

当病患到医院看诊时，许多病患都会对于下一步会发生什么事有很多疑问，像是康复的时间、回诊的时间等，若对于这些问题有准确的答案，将可以协助医师或是护理人员能够给予病患更好、更安全、更快速的医疗服务，若病患的病情是会持续恶化的，医生也可以主动在病情恶化前，采取适合的医疗行为。

预测接下来的状况是机器学习模型很常见的应用场景，而Google的AI研究团队试想，用于预测通勤交通状况，或是在机器翻译中预测下一个字的机器学习模型，是否能够用在临床医疗预测上，并着手开始进行，要对真实世界产生有效的预测必须要有2个条件：广泛适用度和准确度。

简单来说，预测模型必须可以套用在不同医院的系统中，因为健康照护的资料相当复杂，且需要大量的资料处理工作，而模型的准确度也是一大关键，预测应该是用来提醒临床的医师，而不是因为假警报来打扰医师的工作。

Google AI研究团队与加州大学旧金山分校、史丹佛大学医学院、芝加哥大学医学院一同合作，发表了用于辨识电子病历的深度学习模型，且符合广泛适用度和准确度两项目标。

研究团队先将电子病去识别化，将敏感的资料移除之后，用深度学习模型直接辨识电子病历上的资历，不需要人工手动萃取、清理或是转换资料。

该团队表示，电子病历的资料相当复杂，就算是体温测量都有多种不同的方式，且体温只是一个简单的生命迹象指标，甚至，每个医疗资讯系统也会有客制化的电子病历系统，因此，即便在不同的医院接受类似的医疗行为，从每家医院收集到的电子病历都会不相同，在透过机器学习辨识这些资料之前，需要一套一致性的方式来呈现病患的病历记录，因此，Gogole建立了一套快捷式健康照护互操作性资源的标准FHIR。

有了统一的标准格式之后，团队就不需要手动挑选或是调整变数，深度学习模型能够读取病患所有的病历资料，来产生的预测，由于分析的资料集包含上千个变数，Google AI团队开发了新的深度学习模型种类，透过回馈式递归神经网络（RNN）和前馈式（Feedforward）神经网络。

Google强调，该模型还能将预测的决策视觉化，将预测过程中较主要的变数呈现给临床医师，让医师更能够采信预测结果。