当谈到危重患者的治疗策略时，临床医生希望能够考虑他们所有的选择和给药时机，并为他们的患者做出最佳决定。虽然临床医生的经验和研究帮助他们在这项工作中取得了成功，但并非所有患者都是相同的，在这个关键时刻的治疗决策可能意味着患者改善与快速恶化之间的差异。因此，医生能够获取患者先前已知的健康状况并接受治疗，并以此来预测患者在不同治疗场景下的健康结果，以选择最佳路径，这将是有帮助的。
现在，来自 MIT 和 IBM 研究人员的一种名为 G-Net 的深度学习技术为因果反事实预测提供了一个窗口，让医生有机会探索患者在不同治疗计划下的表现。G-Net 的基础是 g 计算算法，这是一种因果推理方法，可在存在测量的混杂变量(可能影响治疗和结果的混杂变量)的情况下估计动态暴露的影响。与之前使用线性建模方法的 g 计算框架的实现不同，G-Net 使用循环神经网络(RNN)，它具有节点连接，使它们能够更好地模拟具有复杂和非线性动力学的时间序列，就像在生理和临床时间序列数据中发现的那样。通过这种方式，医生可以根据患者病史制定替代计划，并在做出决定之前对其进行测试。
“我们的最终目标是开发一种机器学习技术，让医生能够探索各种‘假设’情景和治疗方案，”麻省理工学院医学工程与科学研究所的研究科学家、麻省理工学院的李伟雷曼说。 IBM Watson AI Lab 项目负责人。“在反事实预测的深度学习方面已经做了很多工作，但[它]一直专注于点曝光设置，”或静态的、时变的治疗策略，允许随着患者病史的变化调整治疗。然而，她的团队的新预测方法提供了治疗计划的灵活性和随着患者协变量病史和过去治疗的变化而随时间改变治疗的机会。G-Net 是第一个基于 g 计算的深度学习方法，可以预测动态和时变治疗策略下的人群水平和个体水平的治疗效果。”
该研究最近发表在机器学习研究论文集上，由 Rui Li MEng '20、Stephanie Hu MEng '21、前麻省理工学院博士后 Mingyu Lu MD、研究生 Yuria Utsumi、IBM 研究人员 Prithwish Chakraborty 共同撰写， IBM 混合云服务研究总监 Daby Sow、IBM 数据科学家 Piyush Madan、IBM 研究科学家 Mohamed Ghalwash 和 IBM 研究科学家 Zach Shahn。
标签：
免责声明：本文由用户上传，如有侵权请联系删除！