Algoritmus AI čte a předpovídá údaje pacientů z elektronických zdravotních záznamů

Vědci na Icahn School of Medicine at Mount Sinai vyvinuli nový, automatizovaný, umělou inteligencí (AI) založený algoritmus, který může číst a předpovídat údaje pacientů z elektronických zdravotních záznamů (EHR).

Nová metoda se nazývá Phe2vec a může přesně identifikovat pacienty s určitými nemocemi. Byla prokázána jako stejně přesná jako nejpoužívanější tradiční metoda, která vyžaduje více manuální práce.

Benjamin S. Glicksberg, PhD, je asistent profesora genetiky a genomických věd. Je také členem Hasso Plattner Institute for Digital Health at Mount Sinai (HPIMS) a senior autor studie.

“Stále dochází k explozi množství a typů dat elektronicky uložených v zdravotnickém záznamu pacienta. Rozplétání této složité sítě dat může být velmi náročné, a tím zpomaluje pokroky ve výzkumu,” řekl Glicksberg. “V této studii jsme vytvořili novou metodu pro těžbu dat z elektronických zdravotních záznamů pomocí strojového učení, která je rychlejší a méně náročná na práci než průmyslový standard. Doufáme, že to bude cenný nástroj, který usnadní další, a méně zaujatý, výzkum v oblasti klinických informačních technologií.”

Studie, která byla zveřejněna v časopise Patterns, byla vedena Jessica K. De Freitas, studentkou v laboratoři Dr. Glicksberga.

Aktuální průmyslový standard

Vědci目前 spoléhají na zavedené počítačové programy a algoritmy pro extrakci zdravotnických záznamů pro nové informace. Systém nazvaný Phenotype Knowledgebase (PheKB) vyvíjí a ukládá tyto algoritmy. Systém je velmi účinný při správné identifikaci diagnózy pacienta, ale výzkumníci jsou povinni procházet mnoha zdravotnickými záznamy a hledat části dat, jako jsou laboratorní testy a předpisy.

Algoritmus je pak naprogramován tak, aby počítač hledal pacienty, kteří mají specifické části dat, označované jako “fenotyp”. To umožňuje systému vytvořit seznam pacientů, který poté musí být ručně zkontrolován výzkumníky. Pokud výzkumníci chtějí studovat novou nemoc, musí začít proces znovu.

Nová metoda

S novou metodou výzkumníci umožňují počítači, aby se sám naučil identifikovat fenotypy nemocí, což šetří výzkumníkům čas a práci. Metoda Phe2vec byla založena na předchozích studiích, které tým provedl.

Riccardo Miotto, PhD, je bývalý asistent profesora na HPIMS a senior autor studie.

“Předtím jsme ukázali, že nesupervizované strojové učení může být velmi účinnou a efektivní strategií pro těžbu elektronických zdravotních záznamů,” řekl Miotto. “Potenciální výhoda našeho přístupu spočívá v tom, že se učí reprezentace nemocí z dat samotných. Proto počítač dělá většinu práce, kterou by jinak dělali odborníci, aby definovali kombinaci datových prvků ze zdravotních záznamů, které nejlépe popisují určitou nemoc.”

Počítač byl naprogramován tak, aby prošel miliony elektronických zdravotních záznamů a naučil se identifikovat souvislosti mezi daty a nemocemi. Programování spoléhalo na “embedding” algoritmy, které byly také dříve vyvinuty výzkumníky. Tyto algoritmy byly použity ke studiu sítí slov v různých jazycích.

Jeden z těchto algoritmů se nazýval word2vec a byl zvláště účinný. Počítač byl poté naprogramován tak, aby identifikoval diagnózu asi 2 milionů pacientů, jejichž data byla uložena v systému Mount Sinai Health.

Výzkumníci poté porovnali účinnost nové a staré metody a zjistili, že pro devět z deseti testovaných nemocí byl nový systém Phe2vec stejně účinný, nebo mírně lepší, než aktuální “zlatý standard” fenotypizace pro identifikaci diagnózy z EHR. Tyto nemoci zahrnovaly demenci, roztroušenou sklerózu, srpkovitou anémii a další.

“Celkově naše výsledky jsou povzbudivé a naznačují, že Phe2vec je slibnou technikou pro velkoplošnou fenotypizaci nemocí v elektronických zdravotních záznamech,” řekl Dr. Glicksberg. “S dalším testováním a zdokonalením doufáme, že by se mohla použít k automatizaci mnoha počátečních kroků výzkumu klinických informačních technologií, a tím umožnit vědcům soustředit se na následné analýzy, jako je prediktivní modelování.”