Google深度学习模型预测效果 优于传统EHR数据分析

据刊登在《Nature》期刊的一项新研究结果显示，Google的深度学习模式优于传统筛选大量电子健康纪录(EHR)数据预测健康状况的方法。据HealthcareDIVE报导，FHIR是一个标准，用于加强跨系统的数据流动，以预测院内死亡率、30天内重新入院和长期住院的情况。

Google与加州大学旧金山分校(UCSF)、史丹佛大学(Stanford University)和芝加哥大学医学中心(University of Chicago Medicine)合作，评估深度学习和快捷式健康照护互操作性资源(FHIR)的准确性。

结果显示，Google的深度学习在以上3种情况下表现都优于其它EHR模型。其中评估患者死亡率所需的警示数量减少50%，大幅减少误报情况。

该研究包括来自216,221名至少24小时住院的成年患者EHR数据，资料量达470亿笔。研究人员表示，深度学习方法可以涵盖整个EHR，包括结构松散的医学报告，以对各种临床问题和结果进行预测，并超越最先进的传统预测模型。

研究人员进一步指出，该研究的重要发现不是在于准确地协调EHR数据，将数据映射到高度策划的结构预测变量集合中，然后将这些变量馈送到统计模型中，而是透过直接特征学习，学会同步协调输入和预测医疗事件。

现在人工智能(AI)在医疗保健应用方面发展热络，Google希望取得一席之地。据CB Insights报告指出，Alphabet定位为AI与机器学习公司，但正在积极建立广泛的医疗保健网络，使用Google Cloud为供应商和付款人服务并提供新的数据管道。

穿戴式装置品牌业者Fitbit日前宣布，将结合最近购并的Twine Health平台与Cloud for Healthcare，连接用户数据和个人健康记录，帮助医生和患者管理慢性病。

Google于2017年12月推出开源工具Deep Variant，使用AI创建一个使用测序数据的个人遗传蓝图图象，目的是寻找基因或基因突变，帮助医生诊断与治疗。

Google的DeepMind还与英国Moorfields Eye Hospital NHS Foundation Trust合作开采大数据，聚焦在机器学习技术分析眼科扫描，以早期发现和治疗退化性眼睛疾病。