خوارزمية الذكاء الاصطناعي تقرأ وتتنبأ ببيانات المرضى من السجلات الصحية الإلكترونية

قام علماء في مدرسة إيكاهن للطب بجامعة ماونت سيناي بتطوير خوارزمية جديدة وآلية تعتمد على الذكاء الاصطناعي يمكنها قراءة وتوقع بيانات المرضى من السجلات الصحية الإلكترونية.

تسمى الطريقة الجديدة Phe2vec، وهي قادرة على تحديد المرضى الذين يعانون من أمراض معينة بدقة. وقد أظهرت الدراسة أن هذه الطريقة تتمتع بنفس الدقة مثل الطريقة التقليدية الأكثر شعبية، والتي تتطلب المزيد من العمل اليدوي.

بنجامين إس. غليكسبرغ هو أستاذ مساعد في علم الوراثة والعلوم الجينومية. وهو أيضًا عضو في معهد هاسو بلاتنر للصحة الرقمية في ماونت سيناي ومتعاون رئيسي في الدراسة.

“ما زالت هناك انفجارات في كمية ونوعية البيانات المخزنة إلكترونيًا في سجل مريض. وفك تشابك هذه الشبكة المعقدة من البيانات يمكن أن يكون عبئًا كبيرًا، مما يبطئ التقدم في البحث السريري”، قال غليكسبرغ. “في هذه الدراسة، قمنا بإنشاء طريقة جديدة لاستخراج البيانات من السجلات الصحية الإلكترونية باستخدام التعلم الآلي، وهي أسرع وأقل تعقيدًا من المعيار الحالي. ونأمل أن تكون هذه الأداة قيمة سوف تسهل البحث المستقبلي في مجال المعلومات السريرية.”

نشرت الدراسة في مجلة Patterns، وكانت بقيادة جيسيكا كي دي فريتاس، طالبة دراسات عليا في مختبر الدكتور غليكسبرغ.

المعيار الحالي للصناعة

يعتمد العلماء حاليًا على برامج حاسوبية ومحسّنة لاستخراج السجلات الطبية لاستخلاص معلومات جديدة. نظام يسمى Phenotype Knowledgebase (PheKB) يطور ويوفر هذه الخوارزميات. النظام فعال للغاية في تحديد تشخيص المرضى بدقة، ولكن الباحثين مطالبون بمراجعة العديد من السجلات الطبية والبحث عن قطع من البيانات أولاً. وتشمل هذه البيانات أشياء مثل الفحوصات المعملية والوصفات الطبية.

تُبرمج الخوارزمية بعد ذلك لتوجيه الحاسوب للبحث عن المرضى الذين لديهم قطع من البيانات المحددة للمرض، والتي يتم تعليمها باسم “النمط الظاهري”. هذا يسمح للنظام بإنشاء قائمة بالمرضى، والتي يجب على الباحثين مراجعتها يدوياً. إذا أراد الباحثون دراسة مرض جديد، يُطلب منهم البدء في العملية مرة أخرى.

الطريقة الجديدة

مع الطريقة الجديدة، يسمح الباحثون للحاسوب بالتعلم الذاتي لتحديد نمط ظاهري للمرض، مما يوفر وقتًا وعملاً للباحثين. طريقة Phe2vec كانت مبنية على دراسات سابقة قام بها الفريق.

ريكاردو ميوتو هو أستاذ مساعد سابق في معهد هاسو بلاتنر للصحة الرقمية في ماونت سيناي ومتعاون رئيسي في الدراسة.

“في السابق، أظهرنا أن التعلم الآلي غير الموجه يمكن أن يكون استراتيجية فعالة وفعالة لاستخراج السجلات الصحية الإلكترونية”، قال ميوتو. “الميزة المحتملة لمنهجنا هي أنّه يتعلم تمثيلات للأمراض من البيانات نفسها. وبالتالي، يقوم الحاسوب بجزء كبير من العمل الذي يقوم به الخبراء عادة لتحديد مزيج من عناصر البيانات من السجلات الصحية التي تصف مرضًا معينًا بشكل أفضل.”

تم برمجة الحاسوب للبحث في ملايين السجلات الصحية الإلكترونية وتعلم كيفية تحديد العلاقات بين البيانات والأمراض. اعتمد البرمجة على خوارزميات “الترميز”، والتي تم تطويرها مسبقًا من قبل الباحثين. تم استخدامها لدراسة شبكات الكلمات في اللغات المختلفة.

كان أحد هذه الخوارزميات يسمى word2vec، وكان فعالًا بشكل خاص. ثم تم برمجة الحاسوب لتحديد تشخيص حوالي مليوني مريض تم تخزين بياناتهم في نظام الصحة في ماونت سيناي.

قارن الباحثون بعد ذلك فعالية النظامين القديم والجديد، ووجدوا أن نظام Phe2vec الجديد كان بنفس الفعالية، أو أفضل قليلاً، من عملية التصنيف الحالية للمرض في تسعة من كل عشرة أمراض تم اختبارها. وتشمل هذه الأمراض الخرف، التصلب المتعدد، فقر الدم المنجلي، وغيرها.

“بشكل عام، فإن نتائجنا مشجعة وتقترح أن Phe2vec هو تقنية واعدة لتحليل الأمراض على نطاق واسع في بيانات السجلات الصحية الإلكترونية”، قال الدكتور غليكسبرغ. “مع المزيد من الاختبارات والتحسين، نأمل أن يمكن استخدامها لتأتمة العديد من الخطوات الأولية لأبحاث المعلومات السريرية، مما يسمح للعلماء بالتركيز على التحليلات التنبؤية مثل النمذجة التنبؤية.”