重症监护室的医生一直面临着的困境是，每次验血都会产生关键信息，但也增加了患者的风险。为了应对这一挑战，普林斯顿大学的研究人员正在开发一种算法，帮助临床医生更有效地监测患者的病情，并为特定患者订购实验室检测的最佳机会做出决策。

Li-Fang Cheng和Niranjani Prasad使用来自6000多名患者的数据，与计算机科学副教授Barbara Engelhardt合作设计了一个既能降低测试频率，又能改善关键治疗时机的系统。

该分析集中在测量乳酸，肌酐，血尿素氮和白细胞四项血液测试。这些指标用于诊断ICU患者的两个危险问题：肾衰竭或败血症。

“由于我们的目标之一是考虑是否可以减少实验室测试的数量，我们开始关注最有序的血液测试面板，”该研究的共同作者Cheng表示。

研究人员使用MIMIC III数据库，其中包括波士顿Beth Israel Deaconess医疗中心58000名重症监护病人的详细记录。在这项研究中，研究人员选择了6060名成年人的部分，他们在ICU中停留了1到20天，并进行了常见的生命体征测试。

研究人员Engelhardt说：“这些医学数据，正如我们所讨论的那样，在过去一两年内基本上可以通过机器学习方法对其进行分析。”

团队的算法使用奖励函数，根据测试在给定时间的信息量来鼓励测试顺序。也就是说，如果患者的状态与上次测量显著不同，并且测试结果可能建议进行临床干预，如使用抗生素或通过机械通气辅助呼吸，那么进行测试就会获得更大的回报。

与此同时，该函数还增加了对增加测试成本和给患者带来风险的惩罚。Prasad指出，根据不同的情况，临床医生可以决定优先考虑这些组成部分中的一个。

为了进行测试，研究人员比较了将他们的策略应用于实际用于训练数据集中的6060名患者的测试方案所产生的奖励函数值。他们还将这些值与随机实验室测试策略产生的值进行了比较。

对于每个测试和奖励组件，机器学习算法生成的策略与医院实际使用的策略相比，可以提高奖励值。在大多数情况下，该算法也优于随机策略。乳酸盐检测是一个值得注意的例外，可以解释为乳酸盐测试顺序的频率相对较低，导致测试的信息性差异较大。

总的来说，研究人员的分析表明，他们优化的策略会产生比临床医生所遵循的实际检测方案更多的信息。对于白细胞测试，使用该算法可以将实验室测试顺序的数量减少多达44％。当患者的病情开始恶化时，这种方法可以帮助临床医生更快地进行干预。

“根据该方法开发的实验室测试顺序策略，我们能够命令实验室确定患者的状况是否已降低到需要治疗的程度，平均而言，在临床医生真正开始治疗之前的4个小时，都是按照临床医生要求的实验室进行的，”Engelhardt表示。

埃默里大学生物医学信息学助理教授Shamim Nemati指出，“关于适当的实验室测量频率，在重症监护中缺乏基于证据的指导原则。数据驱动的方法，如Cheng和共同作者提出的方法，结合对临床工作流程的深入了解，可能会减少图表和过度测试的成本，并改善态势感知和结果。”

Engelhardt的团队正在与宾夕法尼亚医学院的数据科学家合作，努力在未来几年内将这一策略引入诊所中。高级数据科学家Corey Chivers表示，获得机器学习，人工智能和大量数据的统计建模将有助于临床医生做出更好的决策，最终改善患者的治疗效果。

团队表示，“这是我们首次将这种机器学习方法实际应用于ICU环境中，并以一种患者不会面临风险的方式向护理人员提供建议。”