研究人员表示，一种利用深度学习分析海量个人健康记录数据的新方法，或可发现心力衰竭的早期征兆。
一篇发表在《美国医学信息学协会杂志》（JAMIA）上的论文介绍了该方法如何处理数据中的时间维度——这一因素此前被医疗保健应用中的传统机器学习模型所忽视。
这项研究采用深度学习模型，以便更早发现通常会在6至18个月内导致心力衰竭的事件和阶段。为此，研究人员使用循环神经网络（RNN）对电子健康记录中各事件之间的时间关系进行建模。
时间关系表示事件或状态在时间上的先后顺序。这类关系传统上用于自然语言处理。不过，研究人员发现了利用循环神经网络强大能力的新机会。
“我研究过深度学习，也一直在想能否将循环神经网络引入医疗保健领域。它是一种非常流行的序列处理模型，传统上用于翻译，”佐治亚理工学院博士生爱德华·崔（Edward Choi）说。他与计算科学与工程学院副教授孙继蒙（Jimeng Sun）合作。
通过利用循环神经网络，该算法可以预测心力衰竭的早期阶段，最终为有心脏病风险的患者带来更好的预防性护理。
“机器学习正应用于医疗保健的各个方面，从诊断和治疗，到术后患者护理建议。这个特定模型聚焦于深度学习，而深度学习已在许多行业取得巨大成功。不过，在医疗保健领域，我们正处于开创深度学习应用的前沿，爱德华是最早将其付诸实践的人之一，”孙说。
据美国疾病控制与预防中心统计，心力衰竭影响着美国570万成年人；确诊后5年内，半数心力衰竭患者会死亡，每年给美国造成的损失估计达307亿美元。
这项新发现有望让医生能够为患者提供早期干预，从而每年帮助数百万美国人减轻疾病负担。
崔说：“这是一项初步研究，结果显示该方法有潜力胜过传统模型，这为深度学习如何在医疗保健行业产生积极影响带来了良好前景。”
