日前，在HIMSS 2018大会上，来自Grady Health System、Kaiser Permanente和匹兹堡大学医学中心的三位演讲者分享了以机器学习和人工智能为重点的研究方面的数据，证明这些技术能降低成本、改善医疗效果。

据了解，这些研究由Grady Health System、Kaiser Permanente和匹兹堡大学医学中心的团队进行，主要专注于将电子健康档案（EHR）表明存在特定风险的成人和儿科患者标出来，包括再入院接受治疗或未筛查出来的结肠直肠癌。

一、预测再入院率，通过干预减少实际再入院

UPMC匹兹堡儿童医院的首席医疗信息官Srinivasan Suresh医学博士表示：“这些与人工智能有关的技术已蔚然成风。它们具有非常强的变革力量，也非常具有颠覆性，所以将其整合到临床工作场所中时要极其谨慎。一个关键的方面在于先是临床医生之间的合作，然后是医疗服务机构与数据科学家和软件工程师之间的合作。”

Suresh先描述了这样的机器学习技术：旨在预测儿科患者30天内各种原因导致的再入院，同时测量记录的药物、生命体征、人口统计数据和住院时间等因素，比如。Suresh及其同事在三个月的静默测试期间对患者出院再入院“高风险”的预测准确率达到79%后，根据预测对106位患者进行相应的干预，然后主动联系患儿的护理人员。

他说：“要记住一点，这个样本非常小，如果我们拨打三四个电话，再入院率从16%这一基准线降到10%左右，这改变了游戏规则。如果你想要获得成本数据，每名患者的平均成本在2000美元到10000美元之间。”

二、将人工智能整合到移动综合健康项目中，努力减少再入院

Grady Health System的执行董事Robin Frady介绍了自己团队开展的工作：将人工智能整合到移动综合健康项目中，努力减少再入院。将此项目落实到1720名患者上，使系统得以干预并避免了113起再入院。由于每起入院估计可节省11200美元，该团队扣除实施成本后的总回报超过110万美元，仅用了不到一年的时间。

Frady说：“到头来，由于我们对患者取得一些小规模的成功，我们能够获得高层领导及其他部门的认可。我们学到的一点是，你应该从问题入手，然后说‘嗨，这个技术可以帮助你解决难题。’”

三、机器学习助力患者疾病诊断

Kaiser Permanente健康研究中心的研究员Elizabeth Liles医学博士演示了机器学习如何为未确诊的结肠直肠癌风险加大的成人患者分析电子病历（EMR）数据。这项研究包括该医疗集团年龄在40岁至89岁的9108名对照人员和900名癌症患者，常常能在常规临床诊断之前180天-360天将高风险患者的结肠直肠肿瘤标注出来。

————————————————————————

原文标题：IT leaders highlight big success with machine learning models

作者：Dave Muoio