谷歌在arXiv上發(fā)表的一篇論文《Scalable and accurate deep learning for electronic health records》（ Alvin Rajkomar et al.）。文中他們提出基于快速醫(yī)療保健互操作性資源（FHIR）格式的患者EHR原始記錄表示，利用深度學習的方法，準確預測了多起醫(yī)療事件的發(fā)生。　　谷歌FHIR標準協(xié)議利用深度學習預測醫(yī)療事件發(fā)生

　　論文摘要如下：

　　使用電子健康記錄（EHR）數(shù)據(jù)的預測建模預計將推動個人化醫(yī)療并提高醫(yī)療質(zhì)量。構(gòu)建預測性統(tǒng)計模型通常需要從規(guī)范化的EHR數(shù)據(jù)中提取策略預測變量，這是一種勞動密集型過程，且放棄了患者記錄中絕大多數(shù)信息。我們提出基于快速醫(yī)療保健互操作性資源（FHIR）格式的患者全部EHR原始記錄的表示。我們證明使用這種表示方法的深度學習方法能夠準確預測來自多個中心的多個醫(yī)療事件，而無需特定地點的數(shù)據(jù)協(xié)調(diào)。我們使用來自兩個美國學術(shù)醫(yī)療中心的去識別的EHR數(shù)據(jù)驗證了我們的方法，其中216,221位成年患者住院至少24小時。在我們提出的序列格式中，這一塊EHR數(shù)據(jù)總計包含了46,864,534,945個數(shù)據(jù)點，包括臨床說明。深度學習模型對預測院內(nèi)死亡率（AUROC跨站點0.93-0.94），30天無計劃再入院率（AUROC 0.75-0.76），延長住院時間（AUROC 0.85-0.86）以及所有患者的最終診斷（頻率加權(quán)AUROC 0.90）等取得了極高的準確度。在所有情況下，這些模型的表現(xiàn)都優(yōu)于傳統(tǒng)的預測模型。我們還介紹了一個神經(jīng)網(wǎng)絡(luò)歸因系統(tǒng)的案例研究，該系統(tǒng)說明臨床醫(yī)生如何獲得預測的一些透明度。我們相信，這種方法可以為各種臨床環(huán)境創(chuàng)建準確的、可擴展的預測，且附有在患者圖標中直接高亮證據(jù)的解釋。

　　在這項研究過程中，他們認為若想大規(guī)模的實現(xiàn)機器學習，則還需要對FHIR標準增加一個協(xié)議緩沖區(qū)工具，以便將大量數(shù)據(jù)序列化到磁盤以及允許分析大型數(shù)據(jù)集的表示形式。

　　昨天，谷歌發(fā)布消息稱已經(jīng)開源該協(xié)議緩沖區(qū)工具。下面為谷歌博文內(nèi)容，小編編譯如下：

　　過去十年來，醫(yī)療保健的數(shù)據(jù)在很大程度上已經(jīng)從紙質(zhì)文件中轉(zhuǎn)變?yōu)閿?shù)字化為電子健康記錄。但是要想理解這些數(shù)據(jù)可能還存在一些關(guān)鍵性挑戰(zhàn)。

　　首先，在不同的供應(yīng)商之間沒有共同的數(shù)據(jù)表示，每個供應(yīng)商都在使用不同的方式來構(gòu)建他們的數(shù)據(jù)；

　　其次，即使使用同一個供應(yīng)商網(wǎng)站上的數(shù)據(jù)，可能也會有很大的不同，例如他們通常對相同的藥物使用多種代碼來表示；

　　第三，數(shù)據(jù)可能分布在許多不同表格中，這些表格有些存在交集，有些包含著實驗數(shù)據(jù)，還有些包含著一些生命體征。

    采用至少一個基本電子病歷系統(tǒng)并擁有經(jīng)過認證的電子病歷系統(tǒng)的非聯(lián)邦急性護理醫(yī)院的百分比。Basic的電子健康記錄（ Electronic Health Record ，EHR）滿足EHR系統(tǒng)的基本功能，CerTIfied EHR表示醫(yī)院已經(jīng)與EHR有法律協(xié)議，但不等同于采用了EHR系統(tǒng)。

　　快速醫(yī)療保健互操作性資源（Fast Healthcare Interoperability Resources，F(xiàn)HIR）作為一項標準草案，描述的是用于交換電子病歷數(shù)據(jù)格式和數(shù)據(jù)元以及應(yīng)用程序界面，該標準由醫(yī)療服務(wù)標準組織Health Level Seven InternaTIonal制定。這項標準已經(jīng)解決了這些挑戰(zhàn)中的大多數(shù)：它具有堅實的、可擴展的數(shù)據(jù)模型，建立在既定的Web標準之上，并且正在迅速成為個人記錄和批量數(shù)據(jù)訪問中事實上的標準。但若想實現(xiàn)大規(guī)模機器學習，我們還需要對它做一些補充：使用多種編程語言的工具，作為將大量數(shù)據(jù)序列化到磁盤的有效方法以及允許分析大型數(shù)據(jù)集的表示形式。

　　今天，我們很高興開源了FHIR標準的協(xié)議緩沖區(qū)工具，該工具能夠解決以上這些問題。當前的版本支持Java語言，隨后很快也將支持C++ 、Go和Python等語言。另外，對于配置文件的支持以及幫助將遺留數(shù)據(jù)轉(zhuǎn)換為FHIR的工具也將很快推出。