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。下面就隨醫療電子小編一起來了解一下相關內容吧。

　　一支團隊開發了一套名為 “ICU Intervene” ，即“重癥監護室干預”的機器學習系統。大量重癥監護室(ICU)的數據，從病人關鍵生命體征、之前醫生的治療備注，到人口統計學信息，都會被整合到一起，以幫助醫生做出決策——哪些治療方案最適合當前病人的癥狀。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，對當前情況嚴重的病例(病危護理)做出推薦，并能對其背后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。這項研究的目標是充分利用醫療記錄的數據，提高醫療水平，并對必要的干預提前做出預測。”

　　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 的數據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數據庫 MIMIC 進行訓練，后者包含四萬個病危病例的脫敏數據，由 MIT 生理計算實驗室(MIT Lab for Computational Physiology)開發。