生物与医学2017nature.com
Deep Patient：从健康记录预测病人的未来
Deep Patient Predicts Patients Future from Health Records
进阶 · 约 45 分钟读完前置知识：深度学习基础、电子健康记录(EHR)、无监督表征学习
导读
这篇论文提出 Deep Patient：用深度学习模型从电子健康记录（EHR）中学习患者的纵向病史表征，进而预测其未来可能发生的新疾病。研究基于大规模患者病历训练模型，并在论文中强调只评估对"新发疾病"的预测、排除对已有诊断的重复识别。
HN 关注点：深度学习在医疗记录上的预测能力，讨论焦点在于模型究竟是在"预测未来"还是仅仅"发现漏诊"，以及由此带来的报销与法律影响。
后来怎么样
作为早期将无监督深度学习用于EHR患者表征的代表作，它启发了后续一系列临床表征学习与疾病风险预测研究；但并未直接成为临床标准或广泛部署。
HN 评论精选
这几条评论里：支持 1 质疑 1 补充 1
支持赞赏论文用 GitHub 协作、PR 投稿并给贡献者署名的开放写作方式。
这是一篇协作撰写的综述论文，发布在 GitHub 上，鼓励以 pull request 的形式投稿，任何贡献达到 ICJME 作者标准的人都能获得共同作者署名。非常酷。我有点遗憾，因为我大约一个月前才知道这件事。要不是因为这篇论文的写作方式，我真的很想参与贡献。太棒了。
grizzles查看英文原文
This was a collaboratively written review paper, published on github with submissions encouraged in the form of pull requests, with co-author credit given to anyone whose contributions met the ICJME standards of authorship. Very cool. I'm a bit disappointed as I only found out about this a month or so ago. I would have loved to contribute to it, if only because of how the paper was written. Just fantastic.
质疑质疑模型是在预测未来还是仅在发现漏诊，并指出需要更长病史序列来验证。
我们怎么知道这真的是在预测，而不是在识别尚未确诊的疾病？论文里说"对每位患者我们只考虑对新发疾病的预测，丢弃对已有疾病的重复诊断"。在我看来，你需要更长的时间序列（患者有 3、4、5 年的病史）才能预测未来的疾病状态，而我在文章里似乎没看到这一点（我承认我读得比较快）。如果结果证明这只是在识别未确诊的疾病，我想知道这项研究会不会带来法律上的后果。
salimmadjd查看英文原文
How do we know if this is really predicting vs. identifying undiagnosed diseases? For each patient we considered only the prediction of novel diseases, discarding the re-diagnosis of a disease It seems to me you need a longer time series (patient with 3,4,5 years of medical history) to be able to predict a future disease state. And I don't believe I saw that in the article (I admit I read through it quickly). If it turns out, this is just identifying undiagnosed diseases, I wonder if this research will have any legal ramifications.
补充指出最直接的商业用途是按 HCC 编码找出漏诊以争取报销，但该做法已有很多公司在做。
这很有意思。最明显的商业场景是漏诊报销。美国医院的报销基于一套庞大的编码系统（如 ICD-10），其中一部分是分级病情类别（HCC）。医院可以根据适用于某位患者的一组 HCC（如病态肥胖、类风湿性关节炎、COPD 等）来计费。他们的系统可以为每位患者识别出所有 HCC，并提交漏掉的 HCC 用于报销。补充：这并非新点子，已经有很多公司在用自然语言处理做这件事了。
aabajian查看英文原文
This is quite interesting. The obvious business case is for missed-diagnoses reimbursement. U.S. hospital reimbursement is based on a monstrous coding system (e.g. ICD-10). A subset of these codes are Hierarchical Condition Categories (HCCs). Hospitals can bill based on the constellation of HCCs that apply to a patient (e.g. morbid obesity, rheumatoid arthritis, COPD, etc.). Their system could identify all HCCs for each patient and submit missed HCCs for reimbursement. Edit: This is not a new idea, there are lots of companies already doing this using natural language processing.
相关资源
从这篇论文所有 HN 讨论帖的全部评论里整理出来的链接。
历次讨论
- 2017Hacker News 讨论帖144 分 · 29 评
同领域还值得读
CRISPR 在活体动物中消除 HIV-1 感染
CRISPR eliminates HIV-1 infection in live animals
报告利用 CRISPR/Cas9 基因编辑技术在活体动物中清除 HIV-1 感染：研究人员通过腺病毒载体递送特定的 Cas9 系统，从被感染细胞中切除嵌入的 HIV 病毒 DNA。
生物与医学2017 · 1,455 分 · 239 评入门 · 约 30 分钟编辑精选保护区飞行昆虫生物量27年下降75%
75% decline over 27 years in total flying insect biomass in protected areas
这篇发表于 PLOS ONE 的研究通过在德国保护区长达 27 年的昆虫生物量监测，发现飞行昆虫总量下降了约 75%。
生物与医学2017 · 901 分 · 432 评入门 · 约 45 分钟编辑精选为什么大多数已发表的研究发现是错的
Why Most Published Research Findings Are False (2005)
这篇 2005 年发表于 PLOS Medicine 的经典论文由 John Ioannidis 撰写，论证了在统计功效不足、研究偏倚和多重检验等因素下，大多数已发表的医学研究发…
生物与医学2022 · 388 分 · 351 评入门 · 约 60 分钟编辑精选人类免疫系统的物理接线图
A physical wiring diagram for the human immune system
这篇 Nature 论文系统绘制了人类免疫系统的“物理接线图”：通过大规模实验鉴定免疫细胞表面受体之间的相互作用（包括约 30 种此前未知的受体互作），并结合定量计算模型模拟免疫…
生物与医学2022 · 342 分 · 49 评专业 · 约 90 分钟编辑精选脂肪组织在减重后仍保留肥胖的表观遗传记忆
Adipose tissue retains an epigenetic memory of obesity after weight loss
这篇 Nature 论文研究了肥胖对脂肪组织的长期影响：即使减重成功，脂肪细胞仍保留着肥胖时期的表观遗传记忆，可能解释为什么减重后容易反弹。
生物与医学2025 · 263 分 · 327 评进阶 · 约 45 分钟编辑精选