一种从数以万计的早产儿营养处方中学习的算法可以减少医疗错误并更好地确定最小的患者需要哪些营养。
人工智能可以改善早产儿的静脉营养， 斯坦福医学研究 已经证明。新的 自然医学 学习 该项目的实现部分得益于慈善事业，也是首批展示人工智能算法如何帮助医生为患病新生儿做出更好的临床决策的项目之一。
该算法利用早产儿电子病历中的信息来预测他们需要哪些营养素以及需要多少剂量。该人工智能工具基于近8万份既往静脉营养处方的数据进行训练，这些数据与早产儿的病情信息相关联。
研究人员表示，利用人工智能辅助静脉营养处方可以减少医疗失误，节省时间和金钱，并使在资源匮乏的环境中照顾早产儿更加容易。静脉营养，也称为全肠外营养，是喂养出生时消化系统尚未发育成熟、无法吸收营养的早产儿的唯一方法。
绝不错过任何突破！
注册即可接收斯坦福医学儿童健康中心及其他机构的母婴健康最新资讯！
“目前，我们每天都会为每个宝宝单独开具全肠外营养（TPN）处方。我们会从零开始制作，然后提供给他们。”资深研究作者说道。 尼玛·阿加普尔博士，麻醉学、围手术期医学、疼痛医学及儿科副教授。“全肠外营养是新生儿重症监护病房最大的医疗失误源，无论在美国还是全球。”
这个过程不仅容易出错，也让医生难以判断配方是否正确。例如，没有血液检测来衡量早产儿每天摄入的热量是否正确，而且与足月婴儿不同，早产儿不一定会在饿的时候哭，吃饱的时候会感到满足。
“营养是新生儿重症监护中最薄弱的领域之一，”研究合著者说 大卫·史蒂文森医学博士，新生儿科医生和 Harold K. Faber 儿科教授。
缓慢的过程
约有10%的婴儿是早产儿，这意味着他们至少比预产期提前了三周。早产超过八周的婴儿尚未准备好通过肠道吸收营养，需要静脉注射喂养。此外，一些早产儿还会出现胃肠道并发症，在肠道愈合期间需要静脉注射营养。
目前，这些患者每天都会根据个人情况接受静脉营养治疗。患者需要补充宏量营养素，即构成蛋白质、脂肪和碳水化合物的分子结构；微量营养素，例如维生素、矿物质和电解质；以及肝素等药物，肝素会被添加到静脉输液中以降低血栓风险。目前的处方是根据婴儿的体重、发育阶段以及实验室检查结果等因素制定的。
提供这些处方需要六位专家协同工作数小时：一位新生儿科医生或药剂师开具每张处方，一位营养师检查营养成分，另一位药剂师检查安全性。处方会送到配药房进行配制，然后送到新生儿重症监护室，一位护士进行静脉注射，另一位护士再次检查每位患者是否服用了正确的药物。
研究合著者表示：“这是一种高风险药物，因为它是由多种不同物质混合而成的。” 沙布南·加斯卡里斯坦福医学儿童健康中心执行董事兼首席药剂师，药学博士。“如果我们能生产即用型TPN，那将非常有益。我认为这对患者来说会更安全。”
迈向标准配方
研究人员想知道他们是否可以使用人工智能来帮助医院提供制造好的、即用的营养配方。
他们的人工智能算法基于斯坦福露西尔·帕卡德儿童医院新生儿重症监护室10年的电子病历数据进行训练，其中包括5913名早产儿的79790份静脉营养处方。该算法还可以访问患者医疗结果信息，从而发现营养水平与婴儿健康之间微妙的关联模式。尽管医生之前开出的处方并非总是完全正确，但海量的数据帮助克服了这个问题，使算法能够以通用的方式学习在不同医疗情况下对婴儿有效的治疗方法。
“这是人工智能的优势：有时只要拥有大量数据，不完美的数据也足够好，”Aghaeepour 说。
经过十年的患者数据训练后，该算法对类似的营养处方进行分组，以确定有多少种标准配方可以满足所有患者的营养需求，以及每种配方包含哪些内容。
“我们想过：如果我们制作三个、十个、甚至一百个标准配方会怎么样？”Aghaeepour 说道。“事实证明，虽然有 15 种不同的静脉营养配方，但你推荐的方案与医生、药剂师和营养师的做法非常相似。但这 15 种基于人工智能的配方可以显著提高速度和安全性。”
此外，研究人员还表明，该人工智能算法可以利用患者电子病历中的数据，预测每个婴儿可能需要15种配方奶粉中的哪一种，并且随着患者的成长和病情变化，算法可以每天调整推荐配方。例如，该算法可能会建议某个婴儿需要使用8号配方奶粉5天，然后使用3号配方奶粉1周，再使用14号配方奶粉几天，以此类推。
为了测试这种方法与真实处方的对比效果，研究团队为10位新生儿科医生设计了一项测试：医生们被展示了既往患者的临床信息，以及他们实际接受过的静脉营养处方和算法推荐的处方。医生们并没有被告知哪个处方是哪个，而是被询问他们认为哪个处方更好。医生们一致认为AI生成的处方比真实处方更受欢迎。
研究人员还利用人工智能扫描了以往患者的电子病历，寻找患者实际营养处方与人工智能推荐存在较大差异的情况。他们发现，这些患者的死亡、败血症和肠道疾病风险明显高于处方符合人工智能推荐的患者。
该团队还使用来自加州大学旧金山分校的真实数据（包括来自 3,417 名患者的 63,273 份营养处方）验证了人工智能模型，并发现该模型也能很好地预测该人群的营养需求。
实施步骤
下一步将进行一项随机临床试验，其中一些患者使用手动方法接受营养处方，其他患者接受人工智能推荐的处方，研究人员观察每组的表现。
假设该系统得以实施，该团队计划让医生和药剂师继续检查人工智能建议，并在必要时调整处方。
贡献者和支持者
南加州大学凯克医学院和洛杉矶儿童医院的科学家参与了这项研究。
本研究得到了以下机构的支持：美国国立卫生研究院（拨款编号 R35GM138353）、美国国家转化科学促进中心（拨款编号 UL1TR001872）、尤妮丝·肯尼迪·施莱佛国家儿童健康与人类发展研究所（拨款编号 R42HD115517）、宝来惠康基金会、美国小儿麻痹症基金会、阿尔弗雷德·E·曼基金会、斯坦福妇幼健康研究所（通过斯坦福大学的 SPARK 转化研究项目）、斯坦福高影响力技术基金以及斯坦福生物设计公司。本项目还得到了美国国立卫生研究院国家转化科学促进中心（通过加州大学旧金山分校临床与转化科学研究所）的支持。
制作一份礼物 支持斯坦福露西尔帕卡德儿童医院以及世界各地的妈妈和婴儿的创新研究和护理。
