机器学习在急诊医学中应用的研究进展及展望

北京中科白癜风崔永玲 http://m.39.net/pf/a_6390989.html
点击上方“蓝字”，发现更多精彩。

任珍，李姝，赵静静，马青变

作者单位：医院

引用文本：任珍，李姝，赵静静，马青变.机器学习在急诊医学中应用的研究进展及展望[J].中国急救医学,,41(3):-.

随着信息化数据的不断发展，计算基础设施的革命以及计算能力的进步，大数据(bigdata)、人工智能(artificialintelligence，AI)和机器学习(machinelearning，ML)取得长足进展，并在各领域广泛应用，医学领域也不例外。医疗卫生系统产生了大量电子存储的数据。与传统医疗数据相比，其体量更加庞大、数据类型多样，可提取更多有价值的医疗信息。特别是急诊医学领域面临着医疗资源相对短缺、医务人员诊疗水平不一、急危重症患者的快速诊治需求及科研发展缓慢等现状。大量、甚至海量的急诊医疗数据信息或可借助机器学习、人工智能相关分析手段成为具有临床指导意义的资源。本文就机器学习的相关基础知识及其在急诊医学领域的应用进行综述，并对其在未来的发展趋势进行展望。

一、机器学习概述

机器学习是人工智能的核心，其本质为通过算法使机器从大量的数据中学习规律并形成相应模型，并对该模型进行验证与改进，通过确定正确的概率分布来推断最可能成功的决策，从而对新的样本做出识别及预测

1机器学习的分类及常用算法

根据任务及反馈类型，机器学习大致分为监督学习、无监督学习和强化学习三类。见图1。

2机器学习与传统医学统计学的关系及设计流程

机器学习和传统统计学之间并无明确的界限。例如临床上病例对照研究中常用的线性回归(linearregression)、逻辑回归(logisticregression)即属于机器学习算法之一。

与传统统计学相比，机器学习具有提取及分析大量的、不同类型临床数据集的能力]与传统统计学一样，机器学习作为一种数据分析工具，需经过适当的设计才真正有效。以临床问题为导向，对医疗数据进行注释及处理，使用机器学习算法对数据关系进行探索建模，并对初步建立的模型进行修正与测试，从而形成可靠模型，解决实际临床问题。见图2。

二、机器学习在急诊医学领域中的应用范畴

医学在早期即被视为人工智能最有前途的应用领域之一。年Nash在柳叶刀上发表一篇描述了一种可移动的机械装备，用于识别不同症状、体征与疾病诊断之间的关系，作为物理辅助手段来思考和解决医学中的疾病分类问题。该研究首次提出机器在辅助医学诊断中的作用。从那时起，医学及信息学家就不断尝试开发一种新的机器学习模型，以支持医学诊断、决策和预测预后。

目前，机器学习在医学中的应用涉及基础、转化及临床研究的多个方面。尤其是深度学习在执行图像分类任务中表现出色，如糖尿病视网膜病变识别。机器学习在急诊医学领域的应用涵盖上述常规研究与急诊特色研究两部分。见表1。

1机器学习在急诊医学中的常规应用方向

于急诊医学而言，机器学习可作为一项有效的工具辅助疾病诊断预测、协助制定临床决策、改进工作流程等。其常规应用涉及常见急症的早期诊断预测、疾病危险分层、辅助诊疗决策制定及预后预测等方面。机器学习在急诊医学领域的常规应用实例见表2。

1早期诊断预测

急诊科就诊人数多，同病异症、异病同症现象突出，医疗资源及诊疗水平不一。早期准确识别诊断急症以及需要医疗干预的急病是急诊科的重要工作之一。机器学习算法可用于早期识别、辅助诊断预测急诊科常见急症，提高工作效率，减少漏诊率及医疗资源浪费。如利用决策树及Logistic回归模型协助早期识别胸痛就诊人群中的急性心肌梗死(AMI)患者；使用人工神经网络及Logistic回归等构建急诊急性冠脉综合征(ACS)预测模型；利用循环神经网络(RNN)、随机森林、Logistic回归等预测院内心脏骤停；利用极限学习机(ELM)、支持向量机(SVM)诊断百草枯中毒：利用弹性网络回归等机器学习算法构建ICU脓毒症诊断预测模型(InSight)及住院患者脓毒症诊断预测模型。

2疾病危险分层

急诊科急危重症救治工作繁重，危重患者比例持续攀升。通过疾病危险分层，早期识别干预急诊危重症患者的临床意义重大。如临床上对于未成年人头部外伤后CT检查的决策具有一定争议。过度检查可对患儿造成不必要的辐射危害，产生急诊医疗资源浪费，但外伤后患儿实质性颅脑损伤(TBI)的漏诊危害巨大，或将造成患者死亡。因而，利用病史、临床表现及体格检查等数据资料对外伤后患儿进行危险分层具有重要临床意义。年Kuppermann等发表的一项多中心、前瞻性队列研究，使用决策树(CART)构建一种TBI预测模型，用于识别钝性头部外伤儿童中TBI疾病风险较低者，避免对此类患者进行头颅CT检查。此外，利用机器学习建立疾病临床表型，可协助临床医师进行相应诊疗决策制定。近期，Seymour等利用多种机器学习方法对脓毒症进行了临床表型的推导及验证，并对其潜在临床意义进行探讨。

3疾病预后预测

患者的疾病预后预测是一个重要临床问题。机器学习在急诊科常见疾病的预后预测方面应用广泛。如利用随机森林算法预测院外心脏骤停患者1年内预后；使用支持向量机(SVM)分析缺血性脑卒中患者头部CT，进而预测患者溶栓后脑出血风险预后等。

2机器学习在急诊科领域中的特殊应用方向

除常规应用之外，其特殊应用方向涉及院前急救、预检分诊、灾难医学、流感预测及传染病监测预警等相关课题。

1院前急救

院前急救作为急救医疗系统中重要组成部分，对于抢救急危重症、改善患者预后、促进生命健康恢复有着重要意义。越来越多研究人员意识到，利用大数据，借助机器学习等智能化工具进行院前急救需求预测、优化指挥调度，对实现院前急救、院内急诊一体化、智能化发展具有重要意义。Chen等将机器学习算法(包括支持向量回归、正弦回归、人工神经网络等)与地理信息系统(GIS)相结合，预测院前急救医疗需求并实现其可视化。有研究显示，将脑卒中患者院前临床表现与卒中急救地图、交通情况等相结合，使用人工智能技术构建脑卒中智能预警系统，可优化院前院内衔接流程，缩短救治时间，提高救治效率。

2预检分诊

医院的窗口科室，患者数量多、病情程度不一，医疗资源相对有限。目前，有研究证实，利用机器学习手段可在短时间内准确分诊，可实现急诊医疗资源优化利用、缩短候诊时间、提高工作效率。Levin等对例急诊就诊患者进行回顾性分析，利用随机森林等机器学习算法构建电子分诊系统(E-triage)，可较传统急诊严重程度评分更为快速、准确的识别3级患者。Kang等借助韩国国家急诊信息系统(Koreanemergencydepartmentinformationsystem，nationalNEDIS)，利用前馈神经网络、正则化等人工智能技术，分析研究符合标准的例急诊患者的数据，建立急诊重症患者预检分诊算法，并将该算法与急诊严重程度指数(emergencyseverityindex，ESI)、修正预警评分(modifiedearlywarningscore，MEWS)及国家早期预警评分(nationalearlywarningscore，NEWS)等进行比较，结果显示，人工智能算法优于目前临床常用的预检分诊算法。

3灾难医学

国家十四五规划全面推进健康中国建设目标，明确提出“完善突发公共卫生事件检测预警处置机制，健全医疗救治、科技支撑、物资保障体系。将大数据、机器学习与灾难医疗救援相结合，对于进一步完善大规模伤亡事件医疗预警机制、健全医疗救治等保障体系、构建灾难医学智能化决策系统具有重要意义。Toltzis等通过使用机器学习算法对美国个儿科ICU的0多条数据进行分析，从而得出相应预测模型，用于识别灾难造成的大规模伤亡患者中需要短期收住重症监护室的患儿。美国霍普金斯大学急诊医学系所创建的紧急事件准备和相应办公室(CEPAR)研发的灾难规划应用可实现对灾难场景的建模、医院为灾后患者的意外增加做准备。此外，Franc等利用计算机模拟技术、图形过程控制等工具，医院应对患者激增(Surge)的能力量化指标及优化方式，医院灾难应急管理能力。

三、小结与展望

由于急诊科的成立相对较晚，医学研究的深度远远落后于其他专业学科。快速识别患者人群，对急诊患者进行风险分层、相关预测及科学诊疗是急诊医师的重要研究课题。利用机器学习对大量有效的电子数据进行分析，或将解决上述问题。

尽管人工智能逐渐受到临床医生的广泛重视，但局限于数据质量不一、数据提取处理方法落后及无统一数据平台等瓶颈，医疗行业的智能化进程推进缓慢。近年来，随着“医工信”多学科协同发展的推进，医疗行业有望因数字化信息的激增、机器学习等数据分析手段的进步、数据平台建设的完善而转型，从而改善医疗质量并优化资源配置。未来，大数据与机器学习相结合将成为急诊医学新的研究方向。

多点


本文编辑：佚名
转载请注明出地址  http://www.jzjqh.com/znjj/11240.html