医疗保健领域的机器学习:要在组织中有效地使用机器学习，高管必须知道什么

机器学习(ML)在医疗保健领域取得了重大进展，常见的预测模型突出了风险最大的患者，改善了护理点的临床决策支持，自动化了日常临床任务，并改善了人群健康管理。在运营方面，ML在成本、索赔和员工管理方面取得了显著成绩，并通过消除瓶颈改善了患者流动。

尽管行业新闻可能会让你不这么认为，但重要的是要明白，医疗行业的ML之旅才刚刚开始。大多数组织都处于使用ML来改善结果的早期实施阶段。本报告旨在成为医疗保健领域ML的有用入门:它澄清了人工智能(AI)和ML之间的区别，概述了基本和高级的临床、财务和操作ML用例，并就ML的最关键方面提供指导，以理解(无论您处于ML轨迹的哪个位置)如何有效地使用它。

机器学习和人工智能定义

ML和AI通常在医疗保健中交替使用，但有一些关键的区别。人工智能是指人工系统获得执行类人任务所需的智能的能力。ML通常被视为人工智能的一个子集，在当今的医疗保健领域有着最大的兴趣和吸引力，它利用数据在各种领域(临床、运营、金融等)进行预测。本报告关注ML以及组织如何使用其预测性和规范性能力来支持其临床、财务和运营目标。

从基础到高级:机器学习的用例

在医疗保健领域，ML有无数的临床、财务和操作用例，从今天准备部署的更常见的预测用例，到随着组织完善其ML能力和支持它们所需的智能系统，更高级的说明性用例。

建立有效的ML模型的第一步是选择用例(例如，降低心力衰竭患者在30天内再次入院的百分比，以改善结果并避免医疗保险惩罚)。当组织开始ML之旅时，这应该是简单的，不仅与业务目标一致，而且与数据可用性一致。在确定项目目标后，临床医生或其他主题专家与数据分析师或数据科学家合作，确定真正影响结果的变量;通过适当的算法运行数据集，建立了几个模型并进行了测试。最终的模型(基于一个算法和一组输入变量)在性能足够用例使用时被选择并保存。

主题问题专家(如临床医生)与分析人员一起进行必要的工作流优化，以验证指导是否以清晰、简洁和可操作的方式交付，这一点至关重要。该团队审查ml推荐的干预措施也很重要。数据分析师和临床医生必须问几个关于ML模型如何影响患者护理和临床工作流程的问题:

• 谁会受到这个用例的影响?(如心力衰竭患者)。
• 模型是否有适当的保护措施以确保准确性?(例如，模型预测将在30天后进行准确性测试，并再次检查保障措施偏差[例如，某一类患者的准确性优于另一类患者])。
• 这个用例将影响哪个改进目标?(例如，降低30天再次入院的风险)。
• 这个用例将如何影响改进目标?(例如，通过确保最有可能再次入院的患者得到护理管理和护理的平稳过渡)。
• 这个用例将在谁的工作流中实现?(例如，护理经理的工作流程)。
• 用例将在工作流中的哪个点被实现?(例如，在工作列表被优先排序的第一线)。

临床使用情况

目前医疗保健中最常见的ML临床用例是预测性的。例如:

• 预测患者的生存几率神经胶质瘤一种致命的脑癌。
• 评估CLABSI风险在住院期间。
• 预测病人何时有急诊或再入院的风险分析家庭监控数据．
• 预测住院病人再次入院的可能性30天内。

这些临床用例是刚刚开始ML旅程的组织的起点。虽然像这样的预测性用例在临床、操作和经济上都有很多收获，但人们对更高级的规范性用例越来越感兴趣(也越来越需要)，比如准确地将患者与最佳治疗计划匹配，这对人口健康和精准医疗有着深远的影响。

其他临床用例包括确定符合参与标准的患者临床试验，协助临床医生解释图像用于诊断条件,危险分层慢性病患者。组织机构也可以使用ML来提高患者的参与度;就像ML可以为临床医生提供关于患者最佳治疗的信息一样，它也可以为患者提供关于管理病情的最佳行为的信息。

业务用例

组织可以使用ML进行系统范围内的操作改进，从工作流优化(由数据驱动的关于优先考虑哪些患者的建议)到人员配置优化(例如，正确预测住院患者或急诊激增)。ML最实用的操作用例之一是对工作列表进行优先排序，这在医疗保健中普遍存在。如果一个组织的工作人员不能轻松地完成他们的整个工作列表，或者标准的干预措施不适用于列表上的每个人，ML可以帮助优先考虑最需要关注的患者，并推荐干预措施。

另一个操作性ML用例处理预约不赴约率，这是全国范围内10%到30%并导致设备利用率不足，供应商生产力下降，获得护理的机会减少。新英格兰的一个农村医疗系统建立了一个ML模型(根据该系统过去的病人进行训练)来预测哪些预约可能会被取消。该模型考虑了人口统计、过去的未到诊时间、每周的天数、预约时间、预约类型等变量，其预测效果超过了文献中发表的所有模型，并创建了两条提高效率的路径:(1)为需要的患者提供服务;(2)根据患者未到诊的可能性安排预约。注意，相对基本的ML应用程序可以产生更高级的用例。例如，自动优化调度——通过超额预定包含可能不来的人的插槽——明显比使用ML正确地预定一个手动拨号器的队列要困难得多，该队列专注于提醒和重新安排呼叫。

金融的用例

ML的好处超出了临床和操作领域。ML财务用例的一个有力例子来自中西部的一个大型医疗系统，由于许多病人不支付账单，该系统的利润率不断下降。该系统建立了一个ML模型(训练了50万个账户)，每月为14万名患者分配倾向-支付风险评分。该模型提供了哪些患者需要哪些干预措施的指导(例如，提醒电话、慈善护理、付款修改和其他保险来源)。由于这种集成，以前的naïve工作队列最终通过利用来自同一卫生系统的过去数据得到优化。这种类型的财务ML解决方案对患者和卫生系统都有好处:卫生系统赚了他们本来不会赚的钱，而患者支付了他们本来无法支付的账户。

大多数卫生系统正在追求更基本的、高层次的预测性使用案例。在接下来的几年里，随着ML能力的增长以及行业开始利用更复杂的AI技术(如视觉、语音等)，更多的组织将处理高级用例，如提取治疗模式。

医疗保健中有效机器学习的理想智能系统

随着ML市场的成熟和发展，医疗保健组织必须采用一种集成不同系统的智能系统心态。今天，大多数组织使用竖井式的数据科学家来接触ML。因此，他们在操作化ML见解时遇到了挑战。投资于正确的智能系统对于实现ML工作流的自动化以及为有效的ML算法提供数据的移动、计算和工程的可操作性至关重要。

基于云的数据操作系统

基于云的数据基础设施，如Health Catalyst数据操作系统(DOS™)解决方案，世界杯葡萄牙vs加纳即时走地将数据仓库、临床数据存储库和健康信息交换的特性结合在一个单一的、常用化的技术平台上。世界杯厄瓜多尔vs塞内加尔波胆预测DOS是用于在医疗保健中实现ML的智能系统的一个关键组件——它是分析骨干，使组织能够在一个地方管理信息，从而可以在其临床、财务和操作用例上执行。

整个行业从本地数据仓库到基于云的数据操作系统的转变对于能够完成更高级的ML用例至关重要，例如预测罕见疾病患者的结果。组织需要来自不同数据源(例如，电子病历、可穿戴设备、基因组学、医院传感器数据)的更广泛的数据集，以描绘更完整的患者及其结果，并产生更准确的ML模型。基于云的基础设施比本地数据仓库更灵活，可以更有效地存储、管理和操作这些数据。

组织需要有可用的数据，并且数据的格式可以操作化并推进到工作流程中。昨天，这看起来像一个内部的数据仓库;今天，这看起来像是一个基于云的数据操作系统，具有实时数据反馈，并能够将见解和算法直接引入工作流。

临床工作流基础设施

组织需要一个工作流基础设施，它可以很容易地结合来自数据操作系统的见解。这种能力与传统的ehr所能做的有很大的不同。传统的电子病历作为医疗保健领域主要的数据收集工作流程工具，并不是智能系统;它们不灵活，它们不是围绕病人护理设计的(它们是围绕生成财务报表设计的)，它们不是为了利用分析而设计的。电子病历通常会遗漏重要的数据元素(例如，基因组学、健康的社会决定因素、患者报告的结果)。

数据的生命周期——收集、分析、产生有意义的见解，然后利用这些见解指导患者护理——取决于适当的工作流程基础设施;一种是敏捷的、以患者为中心的、完整的患者图景，并在组织如何在整个数据收集过程中引入分析方面为创新留出空间。

现实世界中的机器学习

尽管医疗保健在ML游戏中是一个相对较新的参与者，但许多组织已经成功地使用ML来优化工作流。以纽约Bon Secours慈善医疗系统为例，该系统利用ML来预测哪些患者可能在出院30天内再次入院。在短短10个小时内，Bon Secours利用54,000例过去Bon Secours住院治疗的数据训练出了一个准确的ML模型。一旦审查和部署，该解决方案产生了高度准确的ml支持的关键决策支持。

重要的是要记住，使用特定于系统的临床数据训练的ML模型比基于规则的模型更有效，后者基于不同于工具使用的人群(因为患者特征和治疗协议因地点而异)。例如，LACE指数是一种基于规则的模型，用于预测再入院风险。该模型使用了2002年至2006年间加拿大11家医院收治的4800名患者(大多数是没有严重共病的中年患者)的数据。当然，今天接受组织治疗的患者可能与十多年前在加拿大研究的患者有所不同;幸运的是，基于ml的模型能够利用人口统计和过程的本地特性。

任务的健康美国的一个七家医院系统和北卡罗来纳州的ACO，开始通过基于其患者开发自己的预测模型来改善LACE指数，这些患者与LACE研究中的患者显著不同。它的模型被设计为使用入院时可用的数据(而不是像LACE那样等待出院数据)。这种工作流定时的灵活性是机器学习的另一个普遍好处。部署后的后续研究表明，Mission模型比LACE模型更准确地预测哪些患者会再次入院。Mission使用再入院风险预测器来支持出院随访的持续改善，将其全因再入院率降低到低于同行水平。

顺从，社会责任机器学习是关键

每一个新的技术前沿都有其局限性，ML也不例外。医疗保健领导者必须意识到这些限制，以最大限度地降低对患者和自身的风险。当组织开始使用ML时，他们需要牢记合规性和社会责任。

合规

大多数医疗保健组织都有数据治理委员会，负责确定和监控所有与数据相关的项目的优先级;这些组必须密切审查、批准和监控所有ML工作(就像他们对任何涉及数据的计划所做的那样)，包括他们对HIPPA的遵从性和对遵从性标准的一致性。遵从性至关重要，但是组织不应该让政策和法规成为在医疗保健中追求ML的障碍。策略很少包含所有可能的用例，特别是对于ML这样的新兴功能，因此组织必须大胆地驾驭ML规则，并明智地解释它们，因为它们优先考虑为医疗保健带来ML支持的价值。

社会责任

组织有一种社会责任来防止ML偏见对其人口的服务不足。例如，如果一个ML算法做出的临床预测(即为患者推荐的治疗计划)对系统中一部分人群的益处大于另一部分人群，那么就应该尽可能减少该算法的影响。总有一些关于患者的变量没有包含在ML模型中，但组织可以优先考虑具有社会责任感的ML，并通过依赖临床专业知识和循证研究来避免将历史不平等构建到模型中。

医疗保健领域的机器学习:全行业无障碍的当务之急

ML无疑可以通过预测结果和建议改善这些结果的干预措施来帮助医疗机构和患者。ML还可以帮助卫生系统在财务和运营方面作出改进。虽然一些ML用例很复杂，需要来自多个来源的数据，但较小的医院和aco仍然可以使用ML来处理更多常见的用例，从防止再入院到自动化常规临床任务。这些较小的组织可以利用ML来改善结果，同时继续投资所需的智能系统，以支持未来更高级的用例。

ML在医疗领域的前景是不可否认的，但从各方面来看，它仍处于起步阶段。重要的是要理解ML目前最实用的用例，同时保持对高级用例的关注。同样重要的是，要知道有效地使用ML需要健壮的智能系统，这需要大量的基础设施投资，并且要意识到创建兼容的、具有社会责任感的ML需要什么。具备这种理解和意识的医疗保健领导者不仅可以利用基本用例，还可以为未来的高级ML用例铺平道路。

ML是临床医生决策过程的工具

最后，还需要注意的是，ML是一种旨在增强(而不是取代)临床医生判断的工具。ML预测和干预建议应作为临床医生决策的另一个输入(尽管是高级和复杂的输入)。我们的目标是ML和临床医生一起，以一种高效、有效和可持续的方式改善患者的预后。

更多的阅读

你想了解更多关于这个话题吗?以下是我们建议的一些文章:

1. 医疗保健领域商品化机器学习的危险:通向成功的5个关键差异化因素
2. 解决无补偿医疗:人工智能承担了医疗保健的最大成本之一

---

幻灯片

你想使用或分享这些概念吗?下载此演示文稿，重点突出。

按此下载幻灯片

医疗保健领域的机器学习:要在组织中有效地使用机器学习，高管必须知道什么从世界杯葡萄牙vs加纳即时走地