[论文解读] Machine Learning and Visualization in Clinical Decision Support: Current State and Future Directions

Gal Levy-Fix, Gilad J. Kuperman+1 more|arXiv (Cornell University)|Jun 6, 2019

Machine Learning in Healthcare参考文献 157被引用 10

一句话总结

本文综述了机器学习与数据可视化在临床决策支持（CDS）中的整合，尽管研究潜力强劲，但当前部署仍存在明显缺口。文章提出，交互式可视化与基于机器学习的推断可提升患者数据的审查效率，而基于机器学习的预测性CDS仍处于未开发状态，凸显了改进系统设计与临床采纳策略的迫切需求。

ABSTRACT

Deep learning, an area of machine learning, is set to revolutionize patient care. But it is not yet part of standard of care, especially when it comes to individual patient care. In fact, it is unclear to what extent data-driven techniques are being used to support clinical decision making (CDS). Heretofore, there has not been a review of ways in which research in machine learning and other types of data-driven techniques can contribute effectively to clinical care and the types of support they can bring to clinicians. In this paper, we consider ways in which two data driven domains - machine learning and data visualizations - can contribute to the next generation of clinical decision support systems. We review the literature regarding the ways heuristic knowledge, machine learning, and visualization are - and can be - applied to three types of CDS. There has been substantial research into the use of predictive modeling for alerts, however current CDS systems are not utilizing these methods. Approaches that leverage interactive visualizations and machine-learning inferences to organize and review patient data are gaining popularity but are still at the prototype stage and are not yet in use. CDS systems that could benefit from prescriptive machine learning (e.g., treatment recommendations for specific patients) have not yet been developed. We discuss potential reasons for the lack of deployment of data-driven methods in CDS and directions for future research.

研究动机与目标

• 评估机器学习与数据可视化在临床决策支持（CDS）系统中的当前发展状况。
• 识别尽管研究兴趣浓厚，为何基于数据的技术（如机器学习与可视化）在实际临床环境中仍被低估使用。
• 探讨如何利用交互式可视化与机器学习改进患者数据的组织与临床医生的决策过程。
• 审视基于机器学习推荐个体化治疗方案的预测性CDS系统尚未得到充分发展的原因。
• 概述未来研究方向，以将机器学习与可视化整合为临床可行、以用户为中心的CDS工具。

提出的方法

• 对三种CDS类型（提醒、数据审查、治疗建议）的机器学习、可视化与CDS领域的文献进行全面综述。
• 分析启发式知识、机器学习模型与可视化技术在组织与解读患者数据中的作用。
• 评估将交互式可视化与机器学习推断相结合的原型系统在临床数据审查中的应用。
• 识别限制基于机器学习的CDS在实践中部署的技术、临床与组织障碍。
• 提出一个未来CDS系统的框架，整合可解释的机器学习与交互式可视化，以支持临床医生。
• 聚焦于从研究原型向临床部署的过渡，强调系统可用性与对机器学习输出的信任。

实验结果

研究问题

• RQ1 机器学习与可视化技术在当前临床决策支持系统中的应用程度如何？
• RQ2 为何具有前景的机器学习与可视化原型未在真实临床环境中部署？
• RQ3 交互式可视化与机器学习推断如何改善临床医生对患者数据的组织与解读？
• RQ4 开发基于机器学习推荐个体化治疗方案的预测性CDS系统面临哪些关键挑战？
• RQ5 为弥合机器学习研究与临床实施在CDS中的差距，未来需要哪些研究方向？

主要发现

• 尽管在临床提醒的预测建模方面已有大量研究，但当前的CDS系统并未在实践中应用这些机器学习方法。
• 将交互式可视化与机器学习推断结合用于患者数据审查的方法正逐渐受到关注，但仍处于原型阶段。
• 尚未开发出利用机器学习为个体化治疗提供建议的预测性CDS系统。
• 数据驱动型CDS方法未被部署，主要归因于技术、临床与组织障碍，包括信任缺失与可用性问题。
• 迫切需要未来研究聚焦于构建临床可行、以用户为中心的CDS系统，整合可解释的机器学习与交互式可视化。
• 在实时、个体化患者照护背景下，CDS中可视化与机器学习的整合仍处于探索不足状态。