python预测药_Petuum 新研究助力临床决策：使用深度学习预测出院用药

在过去一年中，我们看到了很多某种人工智能算法在某个医疗检测任务中「超越」人类医生的研究和报道，例如皮肤癌、肺炎诊断等。如何解读这些结果？他们是否真正抓住医疗实践中的痛点、解决医生和病人的实际需要? 这些算法原型如何落地部署于数据高度复杂、碎片化、异质性严重且隐含错误的真实环境中？这些问题常常在很多「刷榜」工作中回避了。事实上，从最近 IBM Watson 和美国顶级医疗中心 MD Anderson 合作失败的例子可以看出，人工智能对医疗来说更应关注的任务应该是如何帮助医生更好地工作(例如生成医疗图像报告、推荐药物等)，而非理想化地着眼于取代医生来做诊断，并且绕开这个终极目标(暂且不论这个目标本身是否可行或被接受)之前各种必须的铺垫和基础工作。因此与人类医生做各种形式对比的出发点本身有悖严肃的科学和工程评测原则。这些不从实际应用场景出发的研究，甚至无限放大人机对战，对人工智能研究者、医疗从业者和公众都是误导。

知名人工智能创业公司 Petuum 近期发表了几篇论文，本着尊重医疗行业状况和需求的研究思路，体现出了一种务实风格，并直接应用于他们的产品。为更好地传播人工智能与医疗结合的研究成果，同时为人工智能研究者和医疗从业者带来更加实用的参考，机器之心和 Petuum 将带来系列论文介绍。本文是该系列第三篇，介绍了使用深度学习在就诊时间预测出院用药的方法。

随着美国电子健康档案(EHR)的普及以及医疗健康数据新来源的快速发展，一场医疗与健康数据的海啸已经出现。随着数据的数量增长和复杂度增加，医疗分析和决策正变得越来越耗时、易出错、结果不理想。在各种临床决策中，制定理想的治疗方案是至关重要并且很有难度的一个。即使在确诊的前提下，医生仍需要伴随患者病程不断优化治疗方案。例如并发慢性心力衰竭和高血压的慢性肾病患者，因心衰恶化入院，医生则需要已经使用的抗高血压药物进行调整&