普林斯顿大学的研究人员开发了一种机器学习方法，可以减少重症监护病房患者的检查次数并缩短关键治疗的时间。而且该方法很快就会进入ICU护理。

这项研究由普林斯顿大学研究生程立芳和尼拉贾尼·普拉萨德合着。该研究表明，当患者的病情开始恶化时，该方法能够帮助临床医生更快地进行干预。

“由数据驱动的方法(例如，Cheng和合著者提出的一种方法，与对临床工作流程的更深入了解相结合，有可能减少图表负担和过度测试的成本，并提高态势感知和结果，” Shamim Nemati)埃默里大学(Emory University)生物医学信息学助理教授，未参与此项研究的博士说。

该研究最近在1月6日于夏威夷举行的太平洋生物计算研讨会上进行了介绍。该研究集中于四种类型的血液检查：乳酸，肌酐，血尿素氮和白细胞检查，这些检查均用于诊断ICU患者的肾衰竭或败血症。研究人员使用了6,000多名ICU患者的数据集。

研究人员的算法使用一种称为强化学习的方法，根据给定时间的信息量鼓励测试顺序，这意味着如果患者状态明显不同的可能性更高，则存在“奖励功能”来管理测试从上次测试开始。如果测试结果很可能建议对患者进行临床干预，那么也可以获得更大的回报。

但是，该方法还会对测试的金钱成本和患者风险造成不利影响。该方法像对待顺序决策一样对待医学测试问题，在该过程中，您要考虑过去一段时间内的所有决策和所见过的所有状态，并决定在当前时间应该做什么以最大程度地发挥作用。为患者带来长期的回报。”普拉萨德说。

研究人员发现，该方法比临床医生通常遵循的实际测试方案能提供更多的信息。它还表明，该算法可以将为白细胞检测订购的实验室检测数量减少多达44%。

研究人员计划与Penn Medicine的Predictive Healthcare团队的数据科学家合作，将这种方法引入临床。

“这是我们第一次能够采用这种机器学习方法，并将其实际用于ICU或住院医院，并向护理人员提供建议，以使患者不会面临危险”，普林斯顿大学计算机科学副教授Barbara Engelhardt博士在一份声明中说。“那真的是新奇的东西。”