KI-Algorithmus liest und prognostiziert Patientendaten aus elektronischen Gesundheitsakten

Wissenschaftler an der Icahn School of Medicine am Mount Sinai haben einen neuen, automatisierten, künstlichen Intelligenz (KI)-basierten Algorithmus entwickelt, der Patientendaten aus elektronischen Gesundheitsakten (EHRs) lesen und prognostizieren kann.

Die neue Methode wird Phe2vec genannt und kann Patienten mit bestimmten Krankheiten genau identifizieren. Sie wurde als genauso genau wie die beliebteste herkömmliche Methode nachgewiesen, die mehr manuelle Arbeit erfordert, um durchgeführt zu werden.

Benjamin S. Glicksberg, PhD, ist Assistant Professor für Genetik und Genomwissenschaften. Er ist auch Mitglied des Hasso Plattner Institute for Digital Health at Mount Sinai (HPIMS) und Senior-Autor der Studie.

“Es gibt weiterhin eine Explosion an Menge und Arten von Daten, die elektronisch in einer Patientenakte gespeichert sind. Das Entwirren dieses komplexen Netzes von Daten kann sehr beschwerlich sein und damit den Fortschritt in der klinischen Forschung verlangsamen”, sagte Glicksberg. “In dieser Studie haben wir eine neue Methode für die Gewinnung von Daten aus elektronischen Gesundheitsakten mit Machine Learning entwickelt, die schneller und weniger arbeitsintensiv ist als der Branchenstandard. Wir hoffen, dass dies ein wertvolles Werkzeug sein wird, das weitere, weniger voreingenommene Forschung in der klinischen Informatik ermöglichen wird.”

Die Studie, die im Journal Patterns, veröffentlicht wurde, wurde von Jessica K. De Freitas, einer Doktorandin im Labor von Dr. Glicksberg, geleitet.

Aktueller Branchenstandard

Wissenschaftler verlassen sich derzeit auf etablierte Computerprogramme und Algorithmen, um medizinische Akten für neue Informationen zu extrahieren. Ein System namens Phenotype Knowledgebase (PheKB) entwickelt und speichert diese Algorithmen. Das System ist sehr effektiv darin, eine Patientendiagnose korrekt zu identifizieren, aber Forscher müssen viele medizinische Akten durchsehen und nach Daten suchen, wie z. B. Laboruntersuchungen und Rezepte.

Der Algorithmus wird dann programmiert, um den Computer anzuleiten, nach Patienten zu suchen, die krankheitsspezifische Daten aufweisen, was als “Phänotyp” bezeichnet wird. Dies ermöglicht es dem System, eine Liste von Patienten zu erstellen, die dann von den Forschern manuell überprüft werden muss. Wenn die Forscher eine neue Krankheit untersuchen möchten, müssen sie den Prozess von vorne beginnen.

Die neue Methode

Mit der neuen Methode ermöglichen die Forscher es dem Computer, selbst zu lernen, Krankheitsphänotypen zu erkennen, was den Forschern Zeit und Arbeit spart. Die Phe2vec-Methode basierte auf vorherigen Studien, die das Team durchgeführt hatte.

Riccardo Miotto, PhD, ist ein ehemaliger Assistant Professor am HPIMS und Senior-Autor der Studie.

“Wir haben zuvor gezeigt, dass unsupervised Machine Learning eine sehr effiziente und effektive Strategie für die Gewinnung von Daten aus elektronischen Gesundheitsakten sein kann”, sagte Miotto. “Der potenzielle Vorteil unseres Ansatzes ist, dass er Repräsentationen von Krankheiten aus den Daten selbst lernt. Daher übernimmt die Maschine viel von der Arbeit, die Experten normalerweise ausführen, um die Kombination von Daten aus Gesundheitsakten zu definieren, die eine bestimmte Krankheit am besten beschreibt.”

Der Computer wurde programmiert, um Millionen von elektronischen Gesundheitsakten zu durchsuchen und zu lernen, wie er Verbindungen zwischen Daten und Krankheiten identifizieren kann. Die Programmierung basierte auf “Einbettungs”-Algorithmen, die zuvor von den Forschern entwickelt wurden. Diese wurden verwendet, um Wortnetzwerke in verschiedenen Sprachen zu untersuchen.

Einer dieser Algorithmen wurde word2vec genannt und war besonders effektiv. Der Computer wurde dann programmiert, um die Diagnose von etwa 2 Millionen Patienten zu identifizieren, deren Daten im Mount Sinai Health System gespeichert waren.

Die Forscher verglichen dann die Effektivität der neuen und alten Systeme und fanden heraus, dass für neun von zehn getesteten Krankheiten das neue Phe2vec-System genauso effektiv oder leicht besser war als der aktuelle “Goldstandard”-Phänotypisierungsprozess für die Identifizierung von Diagnosen aus EHRs. Diese Krankheiten könnten Demenz, Multiple Sklerose, Sichelzellanämie und mehr umfassen.

“Insgesamt sind unsere Ergebnisse ermutigend und legen nahe, dass Phe2vec eine vielversprechende Technik für die groß angelegte Phänotypisierung von Krankheiten in elektronischen Gesundheitsakten-Daten ist”, sagte Dr. Glicksberg. “Mit weiterer Überprüfung und Verfeinerung hoffen wir, dass es verwendet werden kann, um viele der anfänglichen Schritte der klinischen Informatikforschung zu automatisieren, sodass Wissenschaftler ihre Bemühungen auf Downstream-Analysen wie Predictive Modeling konzentrieren können.”