當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，并以此來預測患者在不同治療場景下的健康結果，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 的深度學習技術為因果反事實預測提供了一個窗口，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(RNN)，它具有節(jié)點連接，使它們能夠更好地模擬具有復雜和非線性動力學的時間序列，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行測試。
“我們的最終目標是開發(fā)一種機器學習技術，讓醫(yī)生能夠探索各種‘假設’情景和治療方案，”麻省理工學院醫(yī)學工程與科學研究所的研究科學家、麻省理工學院的李偉雷曼說。 IBM Watson AI Lab 項目負責人。“在反事實預測的深度學習方面已經(jīng)做了很多工作，但[它]一直專注于點曝光設置，”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，她的團隊的新預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 計算的深度學習方法，可以預測動態(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)表在機器學習研究論文集上，由 Rui Li MEng '20、Stephanie Hu MEng '21、前麻省理工學院博士后 Mingyu Lu MD、研究生 Yuria Utsumi、IBM 研究人員 Prithwish Chakraborty 共同撰寫， IBM 混合云服務研究總監(jiān) Daby Sow、IBM 數(shù)據(jù)科學家 Piyush Madan、IBM 研究科學家 Mohamed Ghalwash 和 IBM 研究科學家 Zach Shahn。
標簽：
免責聲明：本文由用戶上傳，與本網(wǎng)站立場無關。財經(jīng)信息僅供讀者參考，并不構成投資建議。投資者據(jù)此操作，風險自擔。 如有侵權請聯(lián)系刪除！