Emory University 研究人員使用 Google Cloud 對重症照護病患的敗血症情形進行預測

敗血症是由感染所引發的的自體免疫反應，在美國的醫院中是致死率最高的病症之一，同時治療費用也十分昂貴；每年大約有 750,000 名美國人罹患這種疾病。早期發現病情及實行預防措施可以大幅降低致死率，並節省大量治療費用和資源，但目前還沒有發現能快速診斷出敗血症的可靠方法。在 Emory University 醫學院的生物醫學資訊學系，Shamim Nemati 博士和 Ashish Sharma 博士正採用一種創新的方法試圖解決這個問題。他們從 Emory 醫院的加護病房 (ICU) 收集了 30,000 名患者的匿名電子健康記錄，接著由 Nemati 博士建立一個 AI 引擎，分析 65 個相關變數，包含生命徵象、患者的人口特徵資料、實驗室的結果等。藉由持續監控患者的資料流 (每五分鐘一次)，這個敗血症預測引擎能即時計算出複合分數，用於預測病人罹患敗血症的機率，並將預測結果顯示在儀表板上供臨床醫生進行評估。由於早期發現病情是治療敗血症的關鍵，臨床醫生可以在抗生素治療最有效的期間，參考這項分數及其計分方式。

重症照護的解決方案

這個引擎有三個重要元件，分別是傳入和儲存的資料集、用於分析資料的 AI 演算法，以及供臨床醫師使用的前端使用者介面。資料的輸入和儲存特別複雜：每位病患都有數十 MB 的血壓和呼吸速率等高解析度資料，且這些資料必須加上時間戳記、受到隱私和安全方面的維護，以及在高風險情況下經過即時處理以產生及時結果。這個引擎接著會產生複合式敗血症風險分數，並顯示在可方便臨床醫師快速查看的儀表板上。如有病人達到可能罹患敗血症的門檻，警報系統就會通知臨床醫師，忙碌的照護人員便能快速因應。

Sharma 博士透過 Google Cloud 與開放原始碼工具 (例如 TensorFlow 和一系列容器化的微服務) 整合的套組，在 Google Cloud 上設計了一款引擎，能夠以流暢且幾乎即時的方式來處理輸入的資料，此外，不論是執行預測分析，還是輸出內容到前端介面，皆能即時完成。在 Google Cloud 上建構快速健康照護互通資源 (FHIR) 資料庫後，Nemati 和 Sharma 表示這款引擎確實可以跨機構擴充及互通，且所用的非公開平台不僅可靠安全，還能與其他雲端技術 (例如已用於 Emory 醫院的穿戴式監控裝置) 專案整合。

透過 Google Cloud 擴充規模

到目前為止，Nemati、Sharma 和其他 Emory 團隊成員一直在與 Emory 電子加護病房中心 (Emory eICU Center) 合作，共同驗證資料所存放的引擎 (這些資料由本機伺服器代管)，以及測試引擎分別需要多少時間，才能以高達 85% 的準確率在敗血症發作的 4 至 6 小時前進行預測。為了將這個程式部署至其他網站，他們選用了 App Engine。Nemati 表示：「將以 TensorFlow 為基礎的敗血症預測演算法轉移至應用程式並在 Google App Engine 上執行後，我們成功將執行及向上擴充部署作業所需的基礎架構條件完全簡化，因此能將全副心力貫注於改善演算法。」

確定引擎有效之後，目前他們正計劃與更多使用者 (包括患者和臨床醫師) 一起測試引擎。他們還將演算法移植到 Google Cloud Machine Learning Engine 和 TPU 上，以提高成效和擴充性，並採用端對端加密，希望盡可能降低患者資料曝光的可能性。藉由對 Google Cloud 採取廣泛的分布式研究，研究人員可提出一系列的新問題：在哪個時間範圍最適合進行準確的預測或最佳化治療？此引擎能讓醫生以更有效的方式協助患者嗎？在有既定工作流程和文化的不同醫院之間，風險評分如何影響這些醫院的診療方式？

最後，為真正在加護病房的患者改善醫療效果，這才是重中之重，而 Sharma 很清楚這一點。「這個演算法在這方面表現十分優異，因為它能在醫生可採取行動的時間範圍內提供資訊，讓醫生為患者進行有意義的干預治療。此外，這個演算法也會開啟深度學習黑盒子並將它認為患者面臨危機的原因告知醫生。」Nemati 同意這種說法，「2017 年一篇 NEJM 文章指出，敗血症治療每延遲一小時開始，患者死亡的風險就增加 4%。所以，要是我們能夠透過這個方法確定患者感染的是敗血症，並即時為他們施打抗生素，那我們可以拯救多少生命？雖然我們還不知道答案，但我們目前正在 Emory 進行測試，而且我們得在其他地方證實測試結果是否具通用性。」