麻省理工学院的一项新研究发现,“健康知识图表”显示症状和疾病之间的关系,旨在帮助临床诊断,但对于某些情况和患者群体来说可能会有所欠缺。结果还提出了提高他们表现的方法。
健康知识图表通常由专业临床医生手工编制,但这可能是一个费力的过程。最近,研究人员尝试从患者数据中自动生成这些知识图表。麻省理工学院团队一直在研究这些图表在不同疾病和患者群体中的支持程度。
在2020年太平洋生物计算研讨会上发表的一篇论文中,研究人员评估了基于真实数据集自动生成的健康知识图表,该数据集包括270,000多名患有近200种疾病和770多种症状的患者。
该小组分析了各种模型如何使用电子健康记录(EHR)数据,包括患者的医疗和治疗史,来自动“学习”疾病症状相关的模式。他们发现,对于老年或年轻患者比例高,或男性或女性患者比例高的疾病,模型表现尤其差——但是为正确的模型选择正确的数据,并进行其他修改,可以提高性能。
这个想法是在使用电子健康记录构建健康知识图表时,就数据集大小、模型规范和性能之间的关系为研究人员提供指导。这可能会带来更好的工具来帮助医生和患者做出医疗决策,或者寻找疾病和症状之间的新关系。
“在过去的10年里,EHR在医院的使用率飞速上升,所以我们希望挖掘出大量的数据来学习这些疾病症状关系的图表,”第一作者艾琳·陈说,她是EECS电气工程和计算机科学系的研究生。“我们必须仔细检查这些图表,以便将其用作诊断工具的第一步。”
麻省理工学院计算机科学和人工智能实验室(CSAIL)的研究生莫尼卡·阿格拉瓦尔也加入了陈的讨论;贝丝·伊斯雷尔女执事医疗中心(BIDMC)的史蒂文·霍恩;和EECS教授大卫·桑塔格,他是CSAIL和医学工程与科学研究所的成员,也是临床机器学习小组的组长。
病人和疾病
在健康知识