對于醫生而言，跟蹤病人的化驗結果、各項圖表以及其它各項名額是一件非常耗時，但又必須要做的事：
設想一下，一名普通醫生每天要面對多個病人，要把他們的各項資料查找出來，在自己的大腦中整合起來，進而決定采取哪一種治療方案。當病人的資料并不是特别完整，比如此前在另一家醫院做的檢查治療，病人手頭并沒有全部檢查單據，對于醫生來說會有大量的時間浪費（比如聯系之前的醫院或重新檢查）。
雷鋒網(公衆号：雷鋒網)消息，在最新的一組論文中，mit 計算機科學與人工智能實驗室 csail 的研究員，提出了兩套幫助醫生更好做治療方案決策的系統。
一支團隊開發了一套名為 “icu intervene” ，即“重症監護室幹預”的機器學習系統。大量重症監護室（icu）的資料，從病人關鍵生命體征、之前醫生的治療備注，到人口統計學資訊，都會被整合到一起，以幫助醫生做出決策——哪些治療方案最适合目前病人的症狀。該系統使用深度學習來做出實時預測，從過去的 icu 案例中學習，對目前情況嚴重的病例（病危護理）做出推薦，并能對其背後的原因與邏輯做出解釋。
icu intervene 論文的第一作者、mit 博士生 harini suresh 表示：
“這套系統有潛力成為 icu 值班醫生的助手，這些醫生的工作環境有巨大壓力以及極高要求。這項研究的目标是充分利用醫療記錄的資料，提高醫療水準，并對必要的幹預提前做出預測。”
另一支團隊開發的系統被稱為“ehr model transfer” ，即“ehr 模型遷移”。它能推動跨電子醫療檔案系統（ehr）預測模型的落地。也就是說，用一套 ehr 的資料訓練出來的預測模型，能夠遷移到另一套 ehr 系統上進行應用，做出有效預測。該團隊發現，“ehr 模型遷移”能對病人的死亡率、住院延長時間做有效預測。
兩套系統都使用病危護理資料庫 mimic 進行訓練，後者包含四萬個病危病例的脫敏資料，由 mit 生理計算實驗室（mit lab for computational physiology）開發。
本文作者：三川