Трансформация, управлявана от изкуствен интелект при анализа на клинични документи: Подобряване на диагностиката на сърдечна недостатъчност

Generative AI е готов да трансформира здравната индустрия по много начини, включително анализ на клинични документи.

A скорошен напредък в диагностицирането на сърдечна недостатъчност чрез анализ на доклада от ехокардиограмата демонстрира значителния потенциал на управляваните от AI технологии за трансформиране на интерпретацията на медицински данни и грижата за пациентите.

Предизвикателството в съвременното здравеопазване

Разборът на клинични документи поставя значителни предизвикателства в здравеопазването, особено за сложни доклади като ехокардиограми, които са критични при диагностицирането на сърдечни заболявания. Тези документи съдържат основни данни, като стойности на фракцията на изтласкване (EF) за диагностициране на сърдечна недостатъчност, което означава, че ефективното и точно анализиране на отчетите е жизненоважна задача. Въпреки това,
гъстата комбинация от медицински жаргон, съкращения, специфични за пациента данни и неструктурирани разкази със свободен текст, диаграми и таблици правят тези документи трудни за последователно тълкуване. Това създава неоправдана тежест за клиницистите, които вече са ограничени от времето, и увеличава риска от човешки грешки при грижите за пациентите и воденето на записи.

Революционен подход

Generative AI предлага трансформиращо решение за предизвикателствата на анализирането на клинични документи. Той може да автоматизира извличането и структурирането на сложни медицински данни от неструктурирани документи, като по този начин значително повишава точността и ефективността. Например, нови изследвания въведоха система, задвижвана от изкуствен интелект, която използва предварително обучен трансформаторен модел, който е пригоден за задачата за извличане на отговори на въпроси (QA). Този модел, фино настроен с персонализиран набор от данни от анотирани отчети за ехокардиограма, демонстрира забележителна ефективност при извличане на стойности на EF – ключов маркер при диагностицирането на сърдечна недостатъчност.

Тази технология се адаптира към специфични медицински терминологии и се учи с течение на времето, като гарантира персонализиране и непрекъснато подобрение. Освен това спестява значително време на клиницистите, като им позволява да се съсредоточат повече върху грижите за пациентите, отколкото върху административните задачи.

Силата на персонализираните данни

Много от скорошните пробиви в Generative AI могат да бъдат приписани на новаторска архитектура на модела, известна като „трансформатори“. За разлика от по-ранните модели, които обработваха текст в линейни последователности, трансформаторите могат да анализират цели текстови блокове едновременно, позволявайки по-задълбочено и по-нюансирано разбиране на езика.

Предварително обучените трансформатори са чудесна отправна точка за системи, които включват тази технология. Тези модели са обстойно обучени върху големи и разнообразни набори от езикови данни, което им позволява да развият широко разбиране на общи езикови модели и структури.

След това обаче предварително обучените трансформатори трябва да бъдат обучени допълнително за специализирани нишови задачи и специфични за индустрията изисквания, като се използва процес, наречен фина настройка. Фината настройка включва вземане на предварително обучен трансформатор и неговото допълнително обучение на конкретен набор от данни, подходящ за конкретна задача или домейн. Това допълнително обучение позволява на модела да се адаптира към уникалните езикови характеристики, терминологии и текстови структури, специфични за тази област. В резултат на това фино настроените трансформатори стават по-ефективни и точни при справянето със специализирани задачи, предлагайки подобрена производителност и приложимост в области, вариращи от здравеопазване до финанси, право и други.

Например, предварително обучен трансформаторен модел, макар и оборудван с широко разбиране на езиковите структури, може по своята същност да не схване нюансите и специфичната терминология, използвана в отчетите на ехокардиограмата. Чрез фина настройка върху целеви набор от данни от ехокардиограмни отчети, моделът може да се адаптира към уникалните лингвистични модели, технически термини и формати на отчети, които са типични в кардиологията. Тази специфика позволява на модела точно да извлича и интерпретира жизненоважна информация от докладите, като например измервания на сърдечни камери, клапни функции и фракции на изтласкване. На практика това помага на здравните специалисти да вземат по-информирани решения, като по този начин подобряват грижите за пациентите и потенциално спасяват животи. Освен това такъв специализиран модел би могъл да рационализира ефективността на работния процес чрез автоматизиране на извличането на критични точки от данни, намаляване на времето за ръчен преглед и минимизиране на риска от човешка грешка при интерпретацията на данните.

Изследването по-горе ясно демонстрира въздействието на фината настройка върху персонализиран набор от данни чрез резултатите върху MIMIC-IV-Забележка, публичен набор от клинични данни. Един от ключовите резултати от експериментите беше 90% намаление на чувствителността към различни подкани, постигнато с фина настройка, измерено чрез стандартното отклонение на показателите за оценка (точно съвпадение и F1 резултат) за три различни версии на един и същи въпрос: „Каква е фракцията на изтласкване?“ „Какъв е процентът на EF?“ и "Каква е систолната функция?“

Въздействие върху клиничните работни процеси

Анализът на клинични документи, управляван от AI, може значително да рационализира клиничните работни процеси. Технологията автоматизира извличането и анализа на жизненоважни данни от медицински документи, като досиета на пациенти и резултати от тестове, и намалява необходимостта от ръчно въвеждане на данни. Това намаляване на ръчните задачи подобрява точността на данните и позволява на клиницистите да отделят повече време за грижа за пациентите и вземане на решения. Способността на AI да разбира сложни медицински термини и да извлича подходяща информация води до по-добри резултати за пациентите, като позволява по-бързи, по-изчерпателни анализи на историите и състоянията на пациентите. В клинични условия тази AI технология е трансформираща, спестявайки повече 1,500 часа годишно и повишаване на ефективността на предоставянето на здравни грижи, като позволява на клиницистите да се съсредоточат върху основните аспекти на грижата за пациентите.

Clinician in the Loop: Балансиране на AI и човешки опит

Въпреки че AI значително рационализира управлението на информацията, човешката преценка и анализ остават от решаващо значение за предоставянето на отлична грижа за пациентите.

Концепцията „клиницист в цикъла“ е неразделна част от нашия модел за анализ на клинични документи, съчетавайки технологичната ефективност на AI с основните прозрения на здравните специалисти. Този подход включва предоставяне на крайния резултат от анализирането на клинициста като ясно анотиран/маркиран документ. Тази съвместна система гарантира висока прецизност при анализиране на документи и улеснява непрекъснатото подобряване на модела чрез обратна връзка от лекарите. Такова взаимодействие води до прогресивни подобрения в производителността на AI.

Докато AI моделът значително намалява времето, прекарано в навигация в EMR платформата и анализиране на документа, участието на лекаря е жизненоважно за гарантиране на точността и етичното приложение на технологията. Тяхната роля в надзора на интерпретациите на AI гарантира, че окончателните решения отразяват комбинация от усъвършенствана обработка на данни и опитна медицинска преценка, като по този начин укрепват безопасността на пациентите и доверието на лекарите в системата.

Възприемане на AI в здравеопазването

Докато вървим напред, интегрирането на AI в клинични условия вероятно ще стане по-разпространено. Това проучване подчертава трансформиращия потенциал на ИИ в здравеопазването и дава представа за бъдещето, където технологията и медицината се сливат, за да бъдат от значителна полза за обществото. Пълното изследване може да бъде достъпно тук на arxiv.