你應該不想在急診室裡，才知道自己有著心臟衰竭的毛病。
分析電子病歷表的研究人員運用人工智慧與 GPU 奪得先機。在醫師宣布診斷結果的九個月前，便能預測病患是否會出現心臟衰竭的情況。
一個位於北加州的非營利研究團隊Sutter Health，和喬治亞科技機構相信他們的方法可以有效的降低心臟衰竭並且搶救生命。
Sutter Health的一位資深資料科學家 Andy Schuetz 說「越早發現病灶，我們越有可能改變病人健康情況的結果，並且改善他們的生活品質」同時，他也在一份報告中這麼描述他的研究觀點「可能改變未來的這件事，讓我非常興奮。」
一個主要醫學期刊正考慮發行這一份完整研究過程及成果報告
人工智慧技術讓醫師們掌握尖端診斷工具
美國心臟協會指出每年全球約有2300萬人（含近600萬名美國人）出現心臟衰竭的情況，風險不可謂不高。心臟衰竭指心肌變得虛弱，無法供應足夠的血液和氧氣來滿足身體需求，半數被診斷出有心臟衰竭的病患在五年內便會死亡。
Andy Schuetz 說，要是醫師知道哪些病患可能會出現心臟衰竭的情況，便能對症下藥或建議改變生活型態或飲食，以延後發病時間或杜絕。
全美各地有愈來愈多醫療院所採用人工智慧和 NVIDIA 的技術來推動更佳的醫療品質。NVIDIA 上週宣布與麻薩諸塞州綜合醫院合作採用最新的人工智慧技術來改善疾病監測、診斷、治療和管理的品質。
研究團隊分析 265,000 名薩特醫療集團（Sutter Health）病患的電子病歷表，其中研究了 3,884 名有著心臟衰竭情況的病患，另有 28,900 名病患為控制組。
研究人員使用一種能用於解決臉孔或語音辨識等複雜技術問題的人工智慧技術「深度學習」來分析這些病歷，而深度學習技術的解題能力有時候甚至超越人類的表現。
研究過程中難題之一是電腦如何理解醫師所開的處方箋或各式各樣的查訪病歷。另一個難題是長時間追蹤病歷變動情況，以全盤瞭解病患的身體健康情況。
深度學習 vs. 傳統機器學習
喬治亞理工學院助理教授，亦為研究報告作者的 Jimeng Sun 說預測心臟衰竭發病時間不是什麼新的難題，差別在於深度學習與 GPU。
深度學習跟傳統機器學習的不同之處，在於它無需人類專家來訂定電腦在資料內應評估各因素，這是一項得耗費大量時間的工作。在早期的研究裡，Sun 說他跟其他人要投入多年的時間與專家們合作，以建立機器學習模型。
喬治亞理工學院的博士候選人，也是報告的另一名作者 Edward Choi，一個暑假待在Sutter Health薩特醫療集團，試圖運用深度學習技術來解決問題。
研究人員使用 Tesla K80 GPU 來預測心臟疾病的風險。
「在三個月的時間裡，他的表現超過我們過去的成果。」Sun 說。
Choi 說，藉著薩特醫療集團數十萬筆的病歷，使用深度學習來訓練神經網路的學習，GPU的速度居功厥偉。
「少了這些隨處可得的 GPU，我們就無法順利進行研究工作。」Schuetz 說。研究團隊使用 Theano、CUDA 7 和 Tesla K80 GPU。
其它疾病也適用
研究人員表示目前研究工作僅著重在心臟衰竭的風險上，但可推廣用在預測其它疾病。
Schuetz 說他們的下一個目標是用於監測急診室患者是否會出現敗血症。敗血症讓人捉摸不定的感染情況會危及生命，也是美國第九大死因。等到醫師查覺和展開治療敗血症，為時已晚。
Schuetz 說研究人員也在努力開發一個平台，讓醫師們能運用這些預測工具。