Facebook、谷歌和亞馬遜用來將語音轉化為文字、識別人臉和定向廣告的技術，可能有助於醫生對抗美國醫院裡最致命的殺手之一。
艱難梭菌是一種致命的細菌，透過與物體或受感染者身體接觸傳播，它在醫院裡大量滋生，根據《新英格蘭醫學雜誌》上 2015年的一項研究，每年在美國導致45.3萬例病例和2.9萬例死亡。傳統的監測衛生和警告標誌等方法往往無法阻止該疾病的傳播。
但是，如果能夠系統地鎖定那些最容易感染艱難梭菌的人群呢？馬薩諸塞州總醫院的傳染病專家埃麗卡·舍諾伊和密歇根大學的計算機科學家、工程學助理教授珍娜·溫斯在建立了一個演算法來預測患者發生艱難梭菌感染（CDI）的風險時，正是這樣做的。該方法使用患者的生命體徵和其他健康記錄，目前仍處於實驗階段，兩位研究人員都希望看到該方法被整合到醫院的日常工作中。
關於支援科學新聞報道
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道： 訂閱。透過購買訂閱，您正在幫助確保有關當今世界塑造的發現和想法的有影響力的故事的未來。
CDI演算法基於一種名為機器學習的人工智慧形式，它正處於衝擊美國醫療保健行業的技術浪潮的前沿。斯坦福大學臨床推理和演算法專案主任齊山·賽義德表示，經過多年的實驗，機器學習的預測能力已得到充分證明，並準備從實驗室轉向廣泛的實際應用。
賽義德說：“機器學習的意義是深遠的。然而，它也註定會成為一種不可預測的、顛覆性的力量，很可能會改變醫療決策的制定方式，並使一些人失業。”
機器學習（ML）依賴於粗略模仿動物大腦學習方式的人工神經網路。
例如，當一隻狐狸繪製新地形時，會對氣味、視覺和聲音做出反應，它會不斷調整和改進自己的行為，以最大程度地找到下一頓食物。神經網路繪製由1和0組成的虛擬地形。一個被程式設計為識別咖啡杯影像的機器學習演算法，可能會將隨機物體的照片與咖啡杯圖片資料庫進行比較；透過檢查更多的影像，它會系統地學習特徵，從而更快、更準確地做出正確的識別。
舍諾伊和溫斯的CDI演算法分析了來自馬薩諸塞州總醫院和密歇根大學衛生系統的37.4萬例住院患者的入院資料，尋找CDI病例與病例背後情況之間的聯絡。
這些記錄包含4000多個不同的變數。“我們有關於一切的資料，從實驗室結果到他們睡在哪張床上，再到他們旁邊床上的人以及他們是否被感染。我們包括了所有藥物、實驗室結果和診斷。我們每天都提取這些資料，”溫斯說。“你可以想象，當患者在醫院裡走動時，風險會隨著時間的推移而演變，我們想抓住這一點。”
當它反覆分析這些資料時，機器學習過程會提取出醫生可能忽略的疾病警告訊號——症狀、情況和病史細節的組合，這些組合最有可能在住院期間的任何時候導致感染。
這種演算法現在在網際網路商務、金融和自動駕駛汽車中很常見，但在醫學和醫療保健領域相對未經測試。在美國，從書面病歷到電子病歷的過渡一直很緩慢，並且資料的格式和質量仍然因醫療系統而異，有時甚至因醫療實踐水平而異，這給計算機科學家造成了障礙。
但其他趨勢正在變得不可阻擋：計算能力呈指數級增長，同時變得越來越便宜。過去，建立一個機器學習演算法需要大型計算機網路；現在，在一臺筆記型電腦上就可以完成。
專家表示，放射學和病理學將率先經歷這些變化。機器學習程式將最容易處理影像分析。畢竟，X光片、核磁共振、PET和CT掃描都是大量的資料。透過處理數千張現有掃描影像中包含的資料以及醫生從中做出的診斷，演算法可以在幾天或幾小時內提取醫療機構的集體知識。這使它們能夠複製或超越任何一位醫生的準確性。
機器學習演算法現在可以可靠地診斷皮膚癌（透過照片）和肺癌，並預測癲癇發作的風險。
谷歌研究科學家、醫生莉莉·彭領導一個團隊開發了一種機器學習演算法，透過視網膜掃描來診斷患者患糖尿病視網膜病變的風險。DR是糖尿病常見的副作用，如果不及時治療，可能導致失明。全球糖尿病發病率的上升已使DR成為一個全球性的健康問題，病例數預計將從2011年的1.266億例增加到2030年的1.91億例，增幅近51%。它透過越來越模糊的掃描影像來顯示。
彭的團隊從印度和美國的醫院收集了12.8萬張視網膜掃描圖，並組建了一個由54名眼科醫生組成的團隊，根據疾病的跡象，對這些掃描圖進行了5分制的評分。多位醫生對每張影像進行審查，以消除個人解釋的差異。
該演算法在用初始診斷資料集進行“訓練”後，在另一組資料上進行了測試，結果略微超過了眼科醫生的集體表現。
現在，彭正在努力將此工具應用於印度，在印度，眼科醫生長期短缺意味著DR通常得不到診斷和治療，直到為時已晚，無法挽救患者的視力。（在美國，這也是一個問題，根據疾病控制中心的資料，38%的成年糖尿病患者沒有接受建議的年度眼科疾病檢查。）
一群印度醫院正在測試該演算法。通常，進行掃描後，患者可能要等待幾天才能得到結果，因為需要專家（如果可用）來閱讀影像。該演算法透過在醫院計算機上執行的軟體，可以立即提供結果，並將患者轉診接受治療。
去年，美國食品藥品管理局批准了舊金山公司Arterys的第一個用於商業用途的醫學機器學習演算法。它的演算法“DeepVentricle”可以在30秒內完成醫生通常手工完成的任務：從心臟肌肉運動的多次核磁共振掃描中繪製心室輪廓，以計算透過的血量。這平均需要45分鐘。“它正在自動化一些重要且繁瑣的事情，”Arterys戰略和營銷主管卡拉·萊博維茨說。
如果這項技術得到廣泛採用，可以節省大量時間和金錢。但這種變化是顛覆性的。
“我們已經找到降低成本的潛在方法，這是一個好訊息。問題是那些被淘汰的人不會喜歡它——所以會有阻力，”斯克裡普斯轉化科學研究所所長埃裡克·託波爾說。“它破壞了放射科醫生的工作方式。他們的主要工作是閱讀掃描圖——當他們不必這樣做時會發生什麼？”
託波爾說，這種轉變可能不會讓很多醫生失業，他曾合著了一篇在《美國醫學會雜誌》上發表的文章探討了這個問題。相反，它可能會促使他們找到新的方法來應用他們的專業知識。例如，他們可能會專注於演算法繼續不足的更具挑戰性的診斷，或者更多地與患者互動。
除了這一前沿領域之外，演算法還可以為疾病的程序提供更精確的預後——有可能重塑對進行性疾病的治療或解決臨終關懷的不確定性。他們可以預測像CDI這樣的快速傳播的感染和像心力衰竭這樣的慢性疾病。
隨著美國人口老齡化，心力衰竭將成為醫療系統和家庭日益沉重的負擔。
“由於它造成的極端殘疾和對護理的高需求，如果管理不嚴格，它是作為類別中最昂貴的單一疾病，”位於北加州的醫療系統Sutter Health的副總裁兼首席研究官沃爾特·“巴茲”·斯圖爾特說。“如果我們能夠預測誰會患上這種疾病，也許我們就可以開始更早地進行干預，也許比通常發生的時間早一兩年——當我們患者在心臟病發作或崩潰後入院時。”
斯圖爾特曾合作進行過幾項旨在解決該問題的研究。 其中一項研究是與佐治亞理工學院計算機科學家吉門·孫合作完成的，該研究根據12至18個月的門診病歷，預測患者是否會在六個月內患上心力衰竭。
斯圖爾特說，這些工具正在導致“醫療保健的大規模定製”。一旦演算法能夠預測像心力衰竭這樣的疾病的早期階段，醫生將能夠更好地根據患者的情況提供量身定製的治療方法。
儘管機器學習在醫學領域具有科學前景，但在許多方面仍然是未知領域。例如，它為關鍵的醫療決策增加了一種新的聲音——機器的聲音。醫生和患者可能難以接受這一點。除了潛在的疑慮之外，機器學習通常是一個黑匣子：資料進入，答案出來，但通常不清楚為什麼患者資料中的某些模式指向，比如說，一種新興的疾病。即使是那些對神經網路進行程式設計的科學家也常常不明白他們是如何得出結論的。
麻省理工學院計算機科學教授約翰·古塔格說：“這將對決策的制定方式產生重大影響——事情將比以前更加資料驅動。”他說，醫生將依靠這些日益複雜的工具來做出決定，“卻不知道它們是如何工作的。”而且，在某些情況下，很難弄清楚為什麼會給出錯誤的建議。
儘管健康資料正在激增，但數量、質量和格式因機構而異，這會影響演算法“學習”的內容。
“建模和電子健康記錄方面的一個巨大問題是，”孫說。“因為這些資料不是為了研究目的而整理的。它們是在日常操作中作為護理的副產品收集的，主要用於計費和報銷目的。資料非常非常嘈雜。”
這也意味著資料可能不一致，即使在單個患者的記錄中也是如此。更重要的是，一種方法並不適用於所有情況：使用來自一家醫院或醫療系統的資料開發的演算法可能不適用於另一家。“因此，你需要為不同的機構建立模型，而且模型會變得非常脆弱，你可以這麼說，”孫說。他正在研究美國國立衛生研究院的一項資助專案，研究如何開發適用於不同機構的演算法。
而且，可用的醫療資料浪潮仍在持續上漲，吸引著科學家們。“想想我們現在正在收集的所有資料，”維恩斯說。“電子健康記錄。住院。在門診中心。在家裡。我們開始收集大量關於個人監護儀的資料。這些資料具有我們尚不瞭解的價值。”
凱撒健康新聞 (KHN) 是一家報道健康問題的非營利新聞服務機構。它是凱撒家庭基金會的一個編輯獨立專案，與凱撒永久醫療集團無關。