如何在医疗保健领域应用机器学习以减少心力衰竭再入院

如果一项技术能够准确预测心脏衰竭再入院的可能性会怎样?或者心力衰竭患者不服药或错过预约的可能性?

心力衰竭再入院是医疗保健提供基于价值的护理的最大障碍之一。心脏衰竭一直名列作为导致30天内再次入院的五大主要诊断之一。这是昂贵的医院在美国，每位心力衰竭患者一生中所花费的11万美元中，有近70%来自美国。

尽管美国的医疗系统已经在使用再入院风险评估工具，但这些工具可能不可靠。一些工具，例如花边指数，需要缓慢的手工过程，可能会产生不准确的结果。批评者质疑其有效性蕾丝指数在广泛患者人群中的适用性。这些工具也只能在患者病程的特定阶段使用。例如，LACE使用仅在放电时可用的数据。但是，如果预测要在整个连续护理过程中指导决策，就需要在出院之前就做好准备。随着更严格的措施要求减少再入院，许多系统正在寻求更准确的预测工具。

MultiCare Health System与Health Catalys世界杯葡萄牙vs加纳即时走地t合作，了解了机器学习在医疗保健领域的潜力，从而更准确地做出预测。作为奖励，MultiCare可以使用机器学习来自动化预测过程，并减少临床工作人员的文件负担。通过下面概述的方法，医疗系统开始探索机器学习预测并最终降低心脏衰竭再入院率的能力。

为机器学习程序奠定基础

任何改进措施都应该从整个系统的利益相关者的认同开始。当这个计划包括机器学习工具时，也没有什么不同。合作应该包括一线临床医生、数据科学家、质量主管和项目经理。开发一个机器学习程序——以MultiCare为例，它是一个在整个组织中减少再入院的预测模型——需要来自多个学科的知识和专业知识。

预测模型的建立

在开发预测模型时，团队必须收集相关的历史数据数据．团队还需要确定可能影响或预测目标结果(即重新入院的可能性)的输入变量(或特征)。总的来说，机器学习在这里的作用是了解患者属性和后续结果之间的关系。而许多类型的事件可以可以预见的是，上述业务优先级将本项目的重点放在重新入院风险上。最初，数据集将包括大量的输入变量，机器学习算法将对这些输入变量进行分析，并将其精简为最重要的结果驱动因素的一小部分。

对于MultiCare的预测模型，数据科学家希望能够进行预测30天特别是心衰再入院患者，并与临床医生合作，确定了88个被认为是再入院驱动因素的输入变量。这些数据来自6年期间6.9万名与心力衰竭相关的患者。

然后，数据科学家将数据通过各种机器学习算法运行，以评估88个输入变量与30天的再入院结果。每个实验都生成一个预测模型，并根据不包含在实验中的69000个输入记录中的一个特殊子集来衡量准确性。在最初探索的88个输入变量中，最终模型使用了24个。然后，数据科学家选择了最准确的模型来指导再入院干预。最终模型被证明能准确预测再入院率，c统计量为0.84 (AUROC = 0.84)。这是对文献中最好的模型的改进精度为0.78。注:使用这个指标，一个完美的模型是1.00;随机预测的结果是0.50分。

MultiCare现在每天对入院患者进行大约150次预测。该系统将个体患者分为5个不同的风险级别，进一步提高了模型的可用性。根据患者个人再入院评分(预测概率)对患者进行分类。每个风险组的整体再入院率也在括号中报告:

1. 严重:预测概率>=.71(重新接纳率100%)
2. 高:>的预测概率= 0.50(再入院率58%)
3. 介质:>的预测概率= 0.25(再入院率为37%)
4. 低:>的预测概率= 0.03(9%再入院率)
5. 非常低:预测概率<.03(0%)

机器学习可以帮助分配资源和指导干预

机器学习自动化导致更有效的资源配置和更适当的干预。自动化意味着机器学习工具应该每天运行并自我更新——甚至更频繁。例如，当一个病人入院时，在24小时内，模型应该显示重新入院的概率百分比和说明原因的前三个驱动因素。然后，该团队可以适当分配资源，确保患者接受与他们的风险水平一致的干预措施。该算法在第二天再次运行，并产生一个新的分数，或高或低，它告诉团队，患者在前一天接受的护理是减少了还是增加了再入院的机会。该团队可以使用一个图表来显示任何一天的趋势和驱动因素。

这种基于机器学习的决策支持可以超越住院护理，还可以为出院后的干预提供信息——特别是当团队试图减少再入院的时候。例如，如果风险驱动因素之一是社会经济问题，如乘车去赴约或帮助支付药费，那么该工具将建议社会工作者参与其中。根据问题的不同，护理管理团队可能包括医生、执业护士、社会工作者、护理经理、药剂师、心脏病学家或其他临床专家。整个系统应该是简单的，自动化的，接近实时的，每天更新的质量，这对护理团队的采用是至关重要的。

在医疗保健领域实施机器学习的经验教训

在开发机器学习程序时，MultiCare学到了一些有价值的经验:

1)数据量和透明度建立信任。

信任用于开发预测模型的数据对机器学习的成功推广至关重要。在临床医生之间建立信任将产生强烈的购买和采用建议的干预措施。但是创建数据透明性可能是一项挑战，尤其是在数据源未知的情况下。例如，当分析再入院时，数据是只针对心力衰竭再入院还是包括所有原因的再入院?永远要问关于数据的问题——数据从何而来;有没有以任何方式过滤，以建立信任。

数据数量也很安全，这意味着更大的数据集会产生更可靠的结果。如果模型缺少一些数据，就会破坏对预测模型的信任。然而，一个适当大的数据集(例如，前面描述的来自69,000个输入记录的特殊数据子集)足以可靠地训练模型，并提供模型准确的更紧密的概率。

2)招募合适的利益相关者。

有了正确的利益相关者(例如，来自整个组织的临床医生、管理员、IT、领域经理)，实现机器学习的生命周期可以相对快速。需要合适的团队通过建议输入特性和验证结果来指导模型开发。从一开始就拥有正确的利益相关者也将确保模式被采用。如果临床领导从一开始就参与其中，那么将模型引入临床工作流程可以更早地计划和实施。

3)数据呈现和用户体验很重要。

实现机器学习模型来影响决策需要深思熟虑的用户体验。提交给临床医生的数据必须简明扼要，但仍要传达足够的背景信息，让临床医生知道如何使用这些数据来做出有意义的决定。简单地把一个风险评分摆在临床医生面前可能会导致临床医生在心里问:“现在怎么办?”然而，将相同的风险评分与其他背景(如驱动患者评分的具体因素)结合起来，可以显著提高临床医生将数据转化为有意义的行动的能力。提供合适的上下文是一种平衡:过多的信息会很快使忙碌的一线员工不堪重负。这种谨慎的平衡最好由了解临床工作流程和可视化技术的数据可视化专家来导航。

机器学习有望改善医疗保健

机器学习可以帮助纠正大多数医疗保健组织目前使用的有问题的、耗时的和不准确的预测风险模型。在创建和完善机器学习工具时，组织应该从整个组织的利益相关者那里获取输入，包括临床医生和护理经理。这将增加该工具建议的干预措施得到认真考虑的采纳和机会。使用历史数据来产生精确的模型是一个迭代的细化过程。使用可信的数据是很重要的，如果再加上来自正确利益相关者的支持，可以帮助组织非常快速地看到机器学习工具的结果。

每天的机器学习预测现在直接输入到MultiCare的EMR，这有助于使它成为临床工作流程的一个组成部分。考虑到准确性和工作流程的集成，这个新的决策支持工具在实现减少心衰再入院的目标方面显示出巨大的希望。该模型准确预测这些再入院(0.84 AUC)的能力在文献中是前所未有的，这将对优化许多患者的护理有很大帮助。