業界 | 機器學習+ICU：為重症患者提供實時護理
在醫院重症監護室（ICU），重症患者在病床上躺著，全身連線著各種機器裝置，這些機器能提供患者全天候的照顧。
這種先進的醫療裝置原本旨在讓病人“活著”：靜脈注射滴入血液，機械呼吸機將空氣推入肺部。
患者身體繫結的感測器追蹤心率變化，血壓以及其他重要的資訊，床邊的監測器以波浪線的形式記錄著各種資料的變化。當機器檢測到某些記錄的測量值超過正常值的範圍時，會發出蜂鳴聲和警報聲通知醫護人員過來檢查潛在的問題，
雖然這個場景充滿著高科技，但是還沒有發揮出技術的最大的優勢。每個機器負責監視身體的一個具體的部位，但是他們不會一起協同工作，大量的資料流並沒有被捕捉並進行分析。並且對於ICU團隊而言，讓主要護理醫生，護士，呼吸治療師，藥劑師和其他專家一直守護在病人的旁邊監視也不太現實。
未來ICU將會充分的利用機器的功能，以及它們產生的持續資料流。這些監視器不會單獨工作，它們會彙集這些資訊給醫生，從而展示患者的全面健康狀況。並且這些資訊也會進入AI系統中，自動調整裝置引數來保證患者身體處於最佳狀態。
在位於新澤西州霍博肯的Autonomous Healthcare公司，我們正為ICU設計構建一些初代AI 系統。這些技術旨在提供一些預警性的和細緻入微的護理，就像一位專家每時每刻都陪在病人身邊一樣，仔細校準治療。這些系統可以緩解重症監護室員工負擔過重的壓力。更重要的是，如果這項技術能幫助患者更快地離開ICU，就能降低醫療保健上大量的成本開銷。我們首先主要針對美國的醫院，但是隨著人口老齡化和慢性病患病率的增加，我們的技術可以推廣到全世界使用，
這項技術帶來的好處是巨大的。在美國，ICUs是美國醫療系統中開銷最大的一部分。大約每天有55000個病人在ICU中被照顧，每天成本在3000美元到10000美元之間。累計成本每年超過800億美元。
隨著嬰兒潮一代進入老年階段，ICU變得越來越重要了。今天，在美國的ICU裡，超過一半的病人都是65歲以上的——預測人數會從2014年的4600萬增長到2030年的7400萬。歐洲和亞洲也有相同的趨勢，這產生了一個世界性的難題。為了滿足日益增長的急性護理需求，ICUs將增強其服務承載能力。培訓更多的重症監護專家是其中一個解決方案，但自動化也是如此。這些人工智慧裝置並不會代替人類，AI系統可以成為醫療系統的一部分，讓醫生和護士在他們最被需要的時候發揮他們的技能。
呼吸更容易
有嚴重呼吸疾病的患者會佩戴上機械呼吸機輔助進行呼吸[1]。這些機器把空氣推入到患者肺部中，但呼吸節奏可能與患者自然呼吸的頻率不一致，會導致患者實際在和呼吸機抗爭。智慧控制系統可以讀取空氣流動資料[2]，以及通過機器學習演算法實時識別不同呼吸非同步型別[3]。在一個全自動給的系統中，自適應的控制器[4]將持續調整呼吸機的氣流來保證與病人呼吸速率一致。作為走出邁向全自動化的一步，一類似的系統可能被用在ICU的決策支援工具中，為呼吸治療醫生提供參考建議。
在今天的ICU中，來自床邊監視器獲得的資料由於監視器顯示屏每幾秒更新一次而經常缺失。儘管一些先進的ICUs部門正在努力歸檔這些測量值，但他們仍然很難挖掘資料以獲得臨床見解。
人類醫生通常既沒有時間也沒有工具去理解快速積累的資料。但是AI系統可以做到。它能夠基於資料做出反應，例如調整參與關鍵ICU任務的機器。在Autonomous Healthcare，我們首先關注可以管理病人呼吸和體液的AI系統。當患者鎮靜或者患有肺衰竭時（一種常見的ICU病症），機械呼吸機就會發揮作用。仔細地體液管理可以保持適當的血液流入病人的迴圈系統中，也確保了所有的組織和器官獲得重組的氧氣。
我們的方法源於一個看似不太可能的領域：航空產業。我們兩個人，Haddad and Gholami，是航天控制工程師。我們在喬治亞理工學院的航空航天工程學院會面，Haddad是動力系統和控制教授，Gholami以前是博士研究員。Bailey於21世紀初加入合作，當時他是埃默裡大學醫學院的麻醉學副教授。Haddad和Bailey首先研究了控制方法，以便在手術室自動化麻醉劑量和輸出，我們在亞特蘭大埃默裡大學醫院和喬治亞州蓋恩斯維爾的東北喬治亞醫療中心進行了臨床研究測試，隨後，我們將注意力轉移到ICU更復雜、更廣泛的控制問題上。2013年，Haddad和Gholami成立了Autonomous Healthcare，將我們的AI系統商業化。Gholami是公司的執行長，Haddad是首席科學顧問，Bailey是首席醫療官。
航天航空是如何與醫學相似的呢？因為這兩個領域都涉及到當命懸一線時，巨大的資料需要被快速處理來做出決策，並且都要求許多工同時完成來保證正常執行。尤其是，我們看到反饋控制系統在重症監護醫學中的作用。這些技術使用演算法和反饋機制通過感測，計算和驅動來修改工程系統的的行為。他們已經在飛行控制和空中交通管制的安全關鍵系統中普及開來。
然而，飛行器管理和病人管理之間存在著關鍵的區別。飛行器的設計與控制是基於完善的力學和空氣動力學理論，而患者監測則涉及複雜的生物學系統運作和相互作用，況且這些作用方式我們至今尚未完全理解。
ICU中的呼吸管理則是隻能管理很好的切入點。由於直接創傷，肺部感染，心力衰竭或膿毒血癥等急性症狀入侵ICU的患者，心肺功能的維持是需要的。呼吸機迫使空氣進入患者肺部並允許肺部血液氧氣交換。此裝置可以向上級撥打電話並同時完成所有工作或協助患者呼吸。
人與機器之間的協調運作是一個微妙的事情。人體有自身的神經系統管理自主呼吸，當神經系統觸發膈肌收縮並向下拉肺部，從而開始吸入空氣。 呼吸機必須配合人體的自主呼吸; 它與患者在吸氣呼氣之間達成同步，並且與患者自然呼吸的空氣量相匹配。
不幸的是，患者的身體需求與機器輸送之間的不匹配非常常見，從而出現了患者“排斥呼吸機”的現象。例如，患者可能需要更多的時間來吸氣，但呼吸機過早地轉換到呼氣。這類非同步現象會增加患者對呼吸機的依賴時間，延長ICU的停留時間甚至使得患者的死亡概率大大增加。
但目前專家們並不清楚非同步現象引發這些負面結果的原因。但顯而易見的是患者呼氣時，機器反而將空氣推入肺部明顯會引起患者不適。並且患者的呼吸肌會承受額外的工作量。在美國的ICU中，經歷呼吸機非同步現象的患者比例估計在12％至43％之間。
解決非同步問題的第一步是監測自主呼吸。經驗豐富的呼吸治療師如果持續觀察呼吸機顯示屏上指示壓力和流量的波形，就可以識別出不同型別的非同步情況。但在ICU中，一名呼吸治療師通常監督10名或更多患者，不可能一直監測所有患者。
在我們公司，我們設計了一個機器學習框架來複制專家對不同型別呼吸波形非同步情況的判斷。為了訓練我們的系統，我們使用了呼吸機患者的波形資料集，其中每個波形都由一組臨床專家進行評估。 我們的演算法學習了不同非同步波形的特徵 - 例如特定時間點的波訊號中的特定傾角。 在我們對演算法效能的第一次評估中，我們專注於所謂的迴圈非同步，這是最具挑戰性的型別。呼吸機的呼氣開始與患者自己的呼氣不匹配。 我們的演算法在檢測新資料集中的迴圈非同步的準確性與人類專家的準確性相一致。
我們現在正在東北喬治亞醫療中心的ICU測試該演算法，實時監測患者的呼吸非同步。該技術已被納入臨床決策支援系統，旨在幫助呼吸治療師評估患者的需求。該框架還可以讓研究人員更好地瞭解產生非同步的根本原因及其對患者的影響。 我們的長期目標是設計出可根據患者呼吸需求自動調整的機械呼吸機，。
當您對ICU的場景進行想象時，心裡的畫面可能包括患者的床邊懸掛著塑料袋，液體不斷通過管道滴入靜脈。大約75％的患者在ICU住院期間都需要進行靜脈滴注。
然而，僅僅校準正確的流量遠非精準醫療。跟蹤患者的體液容量水平是一項艱鉅的任務：現有的醫療感測器無法可以直接監測體液容量，因此醫生們依賴間接指標，如血壓和尿量。 患者需要的液體量取決於他們的疾病和和所使用的藥物等。
Fluid Movements
圖釋：ICU患者需要輸液泵和靜脈滴注輸液【1】，因此獲得精確的液體量至關重要。如果迴圈系統中的體液容量過低或過高，都可能會出現嚴重的併發症。在這個完全自主的迴圈控制系統中，智慧控制系統【2】可以實時測量如動脈血壓和心臟泵血量; 然後該系統將資料輸入生理模型【3】該模型來模擬補液經過身體的血管和組織。自適應控制器【4】則根據模擬情況連續調節液體輸入量來維持患者內環境穩定。最初，ICU醫生可以將該技術用作決策支援系統來提供醫療指導。
對於膿毒血癥患者來說，獲得精確的補液量尤其重要。膿毒症是一種以全身炎症為特徵的危及生命的綜合症。在這些患者中，由於細菌毒素和細胞因子等作用引起血管擴張導致血壓降低，血管通透性增加導致體液從微血管和毛細血管流失。最終會導致重要器官缺乏足夠的血流量引起器官衰竭和患者死亡。醫生對抗敗血症則通過強心藥、升壓藥以及補充足夠的體液來維持患者內環境的穩定。
加入足夠的液體很重要，但不要過多——過量會引起併發症，如肺水腫、肺部積液（可能會干擾呼吸）。研究表明，體液超負荷與更長的機械呼吸機停留時間、更久的住院時間、更高的死亡率有關。
因此，考慮到大多數患者的情況，醫生的目標是將患者的體液維持在一定水平。醫生們在ICU進進出出是為了通過檢查血液中的混合氣體並監測血壓和尿量來確定患者是否穩定在目標水平。液體的新增時機和新增量是非常主觀的，業界還沒有“黃金標準”。
在這方面 AI可以做得更好，它不是根據大多數患者的情況制定大眾化的決策，而是可以實時分析患者個體的各項生理指標，並根據患者的具體需求不斷分配液體。
在Autonomous Healthcare，我們開發了一個全自動系統，該系統可以間接測量患者的液體水平（例如血壓和每次心跳抽出的血液量的變化），然後將資料輸入複雜的生理模型。我們的系統使用這些測量值來評估流體在人體血管和組織之間的移動方式，並在新測量值進入時不斷調整引數，隨後我們的專有自適應控制器據此來設定流量。
我們技術的一個優點是它關注控制工程師所謂的閉環系統穩定性，這意味著對正常狀態的任何擾動都只會導致小而短暫的變化。許多工程應用使用可確保閉環穩定性的控制系統，例如，當飛機遇到強大的湍流時，自動駕駛系統會進行補償以使振動保持最小，然而，大多數醫療裝置的控制系統都沒有這樣的保證。如果醫生判斷膿毒症患者的液體水平急劇下降，他們可能會將大量液體推入血液中，可能過度補償。
Autonomous HealthcareInflow：為了防止ICU患者從輸液泵中獲取過多或過少的液體，Autonomous Healthcare的CLARC系統從迴圈系統中獲取讀數。
我們已經與獸醫麻醉師和心血管生理學家William Muir合作測試了我們的自動化輸液管理系統。我們的系統被用來來調節正在出血的狗的液體輸注，結果成功地使狗保持穩定狀態，對穩定狀態的判斷通過每次心跳泵送的血液量來衡量。
我們需要進行更多測試，以獲得針對人類的全自動輸液管理系統的監管批准。與我們在呼吸機管理方面的工作一樣，我們可以從為ICU建立決策支援系統開始。這種“以人為中心”的迴圈系統將向臨床醫生提供資訊和建議，隨後臨床醫生可相應地調整輸液泵的設定。
除了呼吸和輸液管理，可自動化的患者關鍵護理還包括疼痛管理和鎮靜。在未來的ICU中，我們設想許多此類臨床操作將由AI系統監控、協調和控制，AI系統將評估每個患者的生理狀態並實時調整裝置設定。
然而，要實現這一願景，光靠工程師生產可依賴的技術是不夠的。我們還必須通過醫院許多的監管障礙和體制要求最終找到方法。顯然，監管機構需要仔細審查任何新的自主醫療系統。我們建議監管機構使用汽車和航空航天工業中常用的兩種測試框架。首先是計算機模擬試驗，它通過計算機模擬測試演算法，雖然這些測試僅在模擬基於高保真生理模型時才有用，但在某些應用中這已經成為可能。例如，FDA最近批准使用計算機模擬試驗作為動物試驗的替代品，以開發用於糖尿病患者的人工胰腺。
第二個有用的框架是硬體閉環測試，其中硬體代表感興趣的物件，無論是噴氣發動機還是人體迴圈系統。您可以在硬體平臺上測試裝置，比如一個自動流體泵，它將生成您在實際患者床邊監護儀上看到的相同型別的資料。這些硬體閉環測試可以證明該裝置在實時和實際環境中會表現良好。一旦這些技術被證明可以用作危重病人的替身，測試就可以在真正患者的身上開始了。
要將這些技術引入醫院，最後一步是贏得醫學界的信任。醫學界是一個普遍保守的環境，而且他們有理由這麼做。沒有人想做出可能威脅到患者健康的事情。我們的方法是分階段證明我們的技術：我們首先將決策支援系統商業化以展示其功效和效益，然後轉向真正的自動化系統，隨著人工智慧的加入，我們相信ICU可以更智慧、更安全、更健康。
本文出現在2018年10月的印刷版中，“ICU中的AI”。
關於作者
Behnood Gholami和Wassim Haddad是Autonomous Healthcare的聯合創始人，總部設在新澤西州霍博肯市。Gholami現在是該公司的執行長。Haddad，IEEE研究員，擔任董事會主席和首席科學顧問，他還是喬治亞理工學院航空航天工程學院動力系統和控制系統的教授。James M. Bailey是該公司的首席醫療官，他也是喬治亞州Gainesville的Northeast Georgia Physicians Group的重症監護醫療主任。
原文釋出時間為：2018-10-22
本文作者：張馳、AIZero、毅航、塗世文