兒科加護病房裡的處境是最危險的。
兒童來到這裡時常帶著複雜的慢性疾病，包括呼吸道疾病、創傷、術後照護的問題、敗血症及其他傳染病，其中有許多則是急診患者。
洛杉磯兒童病院
洛杉磯兒童病院的資料科學家 David Ledbetter 及其研究團隊，使用搭載 GPU 的深度學習技術來消化相當於十年間兒科加護病房的海量資料，以求為孩子們找到最佳的藥物治療方式。
Ledbetter 有一個簡單的主要目標，那就是讓病患獲得最佳的治療結果。
「望進兒科加護病房時，會見到無數的電線。」他日前在矽谷舉行的 GPU 科技大會上，對滿座的嘉賓們這麼說。
「你不會常見到其實裡面還有病患，而我們想將重點放在病患身上。」他說。
利用大數據
威力強大的 GPUs 讓科學家能運用人工智慧領域裡快速發展的旁支「深度學習」技術，以教導電腦學習海量資料裡的各種模式。
Ledbetter 的團隊從洛杉磯兒童病院兒科加護病房的病歷中，建立近 1.3 萬筆所謂的「病患快照」，以訓練其深度學習模型。
快照內容詳細記錄病患生命徵狀、心跳率、血壓和曾接受過的治療方式之間的相互關係，Ledbetter 及其團隊將這些快照資料投入兩個獨立的神經網路模式，使用 TITAN X GPUs 在數小時內便完成訓練。
提高結果
他們使用卷積神經網路提高估算生存的可能性，而使用遞歸神經網路則能預測病患的長期生理機能狀態，有助於讓他們更明白病患生命徵狀和加護病房內進行的醫療介入行為之間的重要關係。
病患快照
「我們期望要是能讓病患穩定下來，就能交給病患自身的防禦能力去抵抗疾病。」 Ledbetter 說。
「醫師們重視隨著時間過去存活下來的情況，從 80% 的生存機會，在一小時內掉到只剩 50%，兩者有著很大的差別，因此我們測量治療方式，以求對病患有更好的結果。」
在制定攸關生死決定的關鍵時刻裡，「我們會發揮影響力」Ledbetter 說。將資訊交給醫生，有助於「保證我們盡一切努力妥善運用資訊，給予孩子們更好的治療。」