Facebook、谷歌和亚马逊用来将语音转化为文本、识别人脸和定向广告的技术，可能有助于医生对抗美国医院里最致命的杀手之一。
艰难梭菌是一种致命的细菌，通过与物体或受感染者身体接触传播，它在医院里大量滋生，根据《新英格兰医学杂志》上 2015年的一项研究，每年在美国导致45.3万例病例和2.9万例死亡。传统的监测卫生和警告标志等方法往往无法阻止该疾病的传播。
但是，如果能够系统地锁定那些最容易感染艰难梭菌的人群呢？马萨诸塞州总医院的传染病专家埃丽卡·舍诺伊和密歇根大学的计算机科学家、工程学助理教授珍娜·温斯在创建了一个算法来预测患者发生艰难梭菌感染（CDI）的风险时，正是这样做的。该方法使用患者的生命体征和其他健康记录，目前仍处于实验阶段，两位研究人员都希望看到该方法被整合到医院的日常工作中。
关于支持科学新闻报道
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道： 订阅。通过购买订阅，您正在帮助确保有关当今世界塑造的发现和想法的有影响力的故事的未来。
CDI算法基于一种名为机器学习的人工智能形式，它正处于冲击美国医疗保健行业的技术浪潮的前沿。斯坦福大学临床推理和算法项目主任齐山·赛义德表示，经过多年的实验，机器学习的预测能力已得到充分证明，并准备从实验室转向广泛的实际应用。
赛义德说：“机器学习的意义是深远的。然而，它也注定会成为一种不可预测的、颠覆性的力量，很可能会改变医疗决策的制定方式，并使一些人失业。”
机器学习（ML）依赖于粗略模仿动物大脑学习方式的人工神经网络。
例如，当一只狐狸绘制新地形时，会对气味、视觉和声音做出反应，它会不断调整和改进自己的行为，以最大程度地找到下一顿食物。神经网络绘制由1和0组成的虚拟地形。一个被编程为识别咖啡杯图像的机器学习算法，可能会将随机物体的照片与咖啡杯图片数据库进行比较；通过检查更多的图像，它会系统地学习特征，从而更快、更准确地做出正确的识别。
舍诺伊和温斯的CDI算法分析了来自马萨诸塞州总医院和密歇根大学卫生系统的37.4万例住院患者的入院数据，寻找CDI病例与病例背后情况之间的联系。
这些记录包含4000多个不同的变量。“我们有关于一切的数据，从实验室结果到他们睡在哪张床上，再到他们旁边床上的人以及他们是否被感染。我们包括了所有药物、实验室结果和诊断。我们每天都提取这些数据，”温斯说。“你可以想象，当患者在医院里走动时，风险会随着时间的推移而演变，我们想抓住这一点。”
当它反复分析这些数据时，机器学习过程会提取出医生可能忽略的疾病警告信号——症状、情况和病史细节的组合，这些组合最有可能在住院期间的任何时候导致感染。
这种算法现在在互联网商务、金融和自动驾驶汽车中很常见，但在医学和医疗保健领域相对未经测试。在美国，从书面病历到电子病历的过渡一直很缓慢，并且数据的格式和质量仍然因医疗系统而异，有时甚至因医疗实践水平而异，这给计算机科学家造成了障碍。
但其他趋势正在变得不可阻挡：计算能力呈指数级增长，同时变得越来越便宜。过去，创建一个机器学习算法需要大型计算机网络；现在，在一台笔记本电脑上就可以完成。
专家表示，放射学和病理学将率先经历这些变化。机器学习程序将最容易处理图像分析。毕竟，X光片、核磁共振、PET和CT扫描都是大量的数据。通过处理数千张现有扫描图像中包含的数据以及医生从中做出的诊断，算法可以在几天或几小时内提取医疗机构的集体知识。这使它们能够复制或超越任何一位医生的准确性。
机器学习算法现在可以可靠地诊断皮肤癌（通过照片）和肺癌，并预测癫痫发作的风险。
谷歌研究科学家、医生莉莉·彭领导一个团队开发了一种机器学习算法，通过视网膜扫描来诊断患者患糖尿病视网膜病变的风险。DR是糖尿病常见的副作用，如果不及时治疗，可能导致失明。全球糖尿病发病率的上升已使DR成为一个全球性的健康问题，病例数预计将从2011年的1.266亿例增加到2030年的1.91亿例，增幅近51%。它通过越来越模糊的扫描图像来显示。
彭的团队从印度和美国的医院收集了12.8万张视网膜扫描图，并组建了一个由54名眼科医生组成的团队，根据疾病的迹象，对这些扫描图进行了5分制的评分。多位医生对每张图像进行审查，以消除个人解释的差异。
该算法在用初始诊断数据集进行“训练”后，在另一组数据上进行了测试，结果略微超过了眼科医生的集体表现。
现在，彭正在努力将此工具应用于印度，在印度，眼科医生长期短缺意味着DR通常得不到诊断和治疗，直到为时已晚，无法挽救患者的视力。（在美国，这也是一个问题，根据疾病控制中心的数据，38%的成年糖尿病患者没有接受建议的年度眼科疾病检查。）
一群印度医院正在测试该算法。通常，进行扫描后，患者可能要等待几天才能得到结果，因为需要专家（如果可用）来阅读图像。该算法通过在医院计算机上运行的软件，可以立即提供结果，并将患者转诊接受治疗。
去年，美国食品药品管理局批准了旧金山公司Arterys的第一个用于商业用途的医学机器学习算法。它的算法“DeepVentricle”可以在30秒内完成医生通常手工完成的任务：从心脏肌肉运动的多次核磁共振扫描中绘制心室轮廓，以计算通过的血量。这平均需要45分钟。“它正在自动化一些重要且繁琐的事情，”Arterys战略和营销主管卡拉·莱博维茨说。
如果这项技术得到广泛采用，可以节省大量时间和金钱。但这种变化是颠覆性的。
“我们已经找到降低成本的潜在方法，这是一个好消息。问题是那些被淘汰的人不会喜欢它——所以会有阻力，”斯克里普斯转化科学研究所所长埃里克·托波尔说。“它破坏了放射科医生的工作方式。他们的主要工作是阅读扫描图——当他们不必这样做时会发生什么？”
托波尔说，这种转变可能不会让很多医生失业，他曾合著了一篇在《美国医学会杂志》上发表的文章探讨了这个问题。相反，它可能会促使他们找到新的方法来应用他们的专业知识。例如，他们可能会专注于算法继续不足的更具挑战性的诊断，或者更多地与患者互动。
除了这一前沿领域之外，算法还可以为疾病的进程提供更精确的预后——有可能重塑对进行性疾病的治疗或解决临终关怀的不确定性。他们可以预测像CDI这样的快速传播的感染和像心力衰竭这样的慢性疾病。
随着美国人口老龄化，心力衰竭将成为医疗系统和家庭日益沉重的负担。
“由于它造成的极端残疾和对护理的高需求，如果管理不严格，它是作为类别中最昂贵的单一疾病，”位于北加州的医疗系统Sutter Health的副总裁兼首席研究官沃尔特·“巴兹”·斯图尔特说。“如果我们能够预测谁会患上这种疾病，也许我们就可以开始更早地进行干预，也许比通常发生的时间早一两年——当我们患者在心脏病发作或崩溃后入院时。”
斯图尔特曾合作进行过几项旨在解决该问题的研究。 其中一项研究是与佐治亚理工学院计算机科学家吉门·孙合作完成的，该研究根据12至18个月的门诊病历，预测患者是否会在六个月内患上心力衰竭。
斯图尔特说，这些工具正在导致“医疗保健的大规模定制”。一旦算法能够预测像心力衰竭这样的疾病的早期阶段，医生将能够更好地根据患者的情况提供量身定制的治疗方法。
尽管机器学习在医学领域具有科学前景，但在许多方面仍然是未知领域。例如，它为关键的医疗决策增加了一种新的声音——机器的声音。医生和患者可能难以接受这一点。除了潜在的疑虑之外，机器学习通常是一个黑匣子：数据进入，答案出来，但通常不清楚为什么患者数据中的某些模式指向，比如说，一种新兴的疾病。即使是那些对神经网络进行编程的科学家也常常不明白他们是如何得出结论的。
麻省理工学院计算机科学教授约翰·古塔格说：“这将对决策的制定方式产生重大影响——事情将比以前更加数据驱动。”他说，医生将依靠这些日益复杂的工具来做出决定，“却不知道它们是如何工作的。”而且，在某些情况下，很难弄清楚为什么会给出错误的建议。
尽管健康数据正在激增，但数量、质量和格式因机构而异，这会影响算法“学习”的内容。
“建模和电子健康记录方面的一个巨大问题是，”孙说。“因为这些数据不是为了研究目的而整理的。它们是在日常操作中作为护理的副产品收集的，主要用于计费和报销目的。数据非常非常嘈杂。”
这也意味着数据可能不一致，即使在单个患者的记录中也是如此。更重要的是，一种方法并不适用于所有情况：使用来自一家医院或医疗系统的数据开发的算法可能不适用于另一家。“因此，你需要为不同的机构建立模型，而且模型会变得非常脆弱，你可以这么说，”孙说。他正在研究美国国立卫生研究院的一项资助项目，研究如何开发适用于不同机构的算法。
而且，可用的医疗数据浪潮仍在持续上涨，吸引着科学家们。“想想我们现在正在收集的所有数据，”维恩斯说。“电子健康记录。住院。在门诊中心。在家里。我们开始收集大量关于个人监护仪的数据。这些数据具有我们尚不了解的价值。”
凯撒健康新闻 (KHN) 是一家报道健康问题的非营利新闻服务机构。它是凯撒家庭基金会的一个编辑独立项目，与凯撒永久医疗集团无关。