机器学习可以帮助我们理解关于死亡的对话

在医疗保健中一些最重要，最困难的对话是在严重且危及生命的疾病中发生的对话。对于在最脆弱点与人打交道且可能无法完全理解未来的医生和护士，在这些情况下讨论治疗方案和预后是一个微妙的平衡。

现在，佛蒙特大学佛蒙特大学对话实验室的研究人员已经使用机器学习和自然语言处理来更好地理解这些对话的模样，最终可以帮助医疗保健提供者改善生命周期的交流。

领导这项研究的UVM的拉纳医学院的实验室主任罗伯特·格拉姆林说：“我们想理解这种称为对话的复杂事物。”该论文于12月9日发表在《患者教育与咨询》杂志上。“我们的主要目标是扩大对话的规模，以便我们可以重新设计医疗保健系统以更好地沟通。”

Gramling和他的同事们想了解人们关于严重疾病的对话类型，以识别他们具有的共同特征并确定他们是否遵循共同的故事情节。为此，他们借用了小说研究中使用的技术，其中机器学习算法分析小说手稿的语言以识别不同类型的故事。

Gramling的团队采用了这种方法来分析“姑息治疗传播研究计划”收集的354次姑息治疗谈话记录，涉及纽约和加利福尼亚的231名患者。他们将每个对话分为10个部分，每个部分中的单词数相等，并检查了表示时间，疾病术语，情感以及表示可能性和期望度的单词在每个十分位数之间的变化频率和分布情况。

“我们收到了一些强烈的信号，”格拉姆林说。

谈话往往从谈论过去到谈论未来，以及从悲伤到快乐的进步。“有相当多的范围内，他们从很伤心去了很高兴，” Gramling说。

讨论也从谈话开始时谈论症状发展到中间的治疗方案和最后的预后。随着会话的进行，情态动词的使用(诸如“ can”，“ might”和“ will”之类的词指代概率和可取性)的使用也有所增加。“最后，评估胜于描述，” Gramling说。

Gramling说，多次对话中一致的结果表明人们从医疗保健中的故事中获得了多少意义。他说：“我们发现，叙事在医学中的重要性。”

Gramling说，这项工作的更多实际应用还差得远。目前，他的团队专注于使用它作为一种工具来识别医疗保健中可能发生的不同类型的对话。他说：“我认为，这将成为我们潜在的重要研究工具，使我们开始增进对已有对话分类法的理解，以便我们可以开始学习如何改进每种类型的对话。”

这些知识最终可以帮助医疗保健从业者了解是什么使关于姑息治疗的“良好”对话以及不同类型的对话可能需要不同的应对方式。这可以帮助创建与对话表明患者最需要的干预措施相匹配的干预措施。