要不是遇到一件離奇的辣椒過敏症狀，Harini Suresh 也不會發現改善加護病房患者照護方式的辦法。
麻省理工學院（MIT）的博士生 Suresh 想使用人工智慧來協助加護病房的醫師，為每名病患選擇最佳的治療方式。患者出現心臟衰竭或中風等迫切情況，醫師又必須迅速考慮從簡單的人口統計資料到繁複的實驗室檢測數據等龐大又多元的資料之際，這絕非易事。
「ICU 是一個要求嚴苛的高風險環境，醫師只有極少數的時間去面對每名患者的情況，他們在處理眾多資料來源和資料類型時，各種運算工具還是有很大的差異。」Suresh 說。
辣椒怎麼產生出預測內容
在麻省理工學院電腦科學與人工智慧實驗室（CSAIL）攻讀學位的 Suresh，其母一生嗜辣，卻因為辛辣感過於刺激而引發急性過敏，這使得 Suresh 對醫學萌生興趣，時至今日推動 Suresh 研究創造出更個人化的治療方式，並且從 ICU 開始著手。
她最新的研究報告指出 GPU 加速深度學習技術如何預測患者是否需要接受特定 ICU 治療內容。這個模型每小時會測量血壓、心跳率和葡萄糖指數等生命徵象，搭配年齡和性別等患者資訊，以預測所需的治療方式。
這項名為 ICU Intervene 的模型可協助醫師判斷患者是否需接受治療，以協助他們呼吸、增進心臟功能、提高血壓或輸血，還能預測何時患者可安全停止這些治療。到目前為止它能在八小時前便提出預測內容。
ICU Intervene 對決定背後的原因提出推論內容，是一套獨特的深度學習解決方案。
「醫師和病患需要對決定的內容有所信心，（解釋內容）或許是落實應用這類技術的最重要因素。」Suresh 說。
ICU Intervene 提前八小時對 ICU 患者會需要的治療方式提出預測內容，協助加護病房醫師做出決定。
電腦如何學習醫學內容
Suresh 與 MIT 研究團隊（其中包括 Suresh 的指導教授，即 MIT 的Peter Szolovits 教授與 MIT 的醫師）訓練 ICU Intervene 將心跳率、氧飽和及腎功能等因素與推薦的治療內容建立起關係。研究團隊採用去除患者身分之健康資訊的 MIMIC-III 公共資料庫裡 34,000 筆 ICU 患者的資訊，當成訓練用的數據。
他們使用 NVIDIA GeForce TITAN X GPUs 及 cuDNN 加快訓練速度，再使用相同的 GPU 來部署模型。
Suresh 表示在實際執行方面，ICU Intervene 可協助醫師更快為每名患者選擇適合的治療方式，還能避免不必要的治療內容。
接下來研究團隊將致力於提升 ICU Intervene 的能力，以提出更個人化的照護內容和更精準的推論結果，以協助醫師做出決定。
「若能提升臨床決策的品質，就能真正讓病患享受到優質的照護內容。」Suresh 說。