Αλγόριθμος AI Διαβάζει και Προβλέπει Δεδομένα Ασθενών από Ηλεκτρονικά Ιατρικά Ρεκόρ

Επιστήμονες στη Σχολή Ιατρικής του Ικαχάν στο Μόουντ Σινάι έχουν αναπτύξει einen νέο, αυτοματοποιημένο, αλγόριθμο βασισμένο σε τεχνητή νοημοσύνη (AI) που μπορεί να διαβάσει και να προβλέψει δεδομένα ασθενών από ηλεκτρονικά ιατρικά ρεκόρ (EHRs).

Η νέα μέθοδος ονομάζεται Phe2vec και μπορεί να αναγνωρίσει με ακρίβεια ασθενείς με bestimmtes νοσήματα. Έδειξε ότι είναι εξίσου ακριβής με την πιο δημοφιλή παραδοσιακή μέθοδο, η οποία απαιτεί περισσότερο χειρονακτικό έργο για την εκτέλεσή της.

Ο Benjamin S. Glicksberg, PhD, είναι Αναπληρωτής Καθηγητής Γενετικής και Γενωμικής Επιστήμης. Είναι επίσης μέλος του Ινστιτούτου Ψηφιακής Υγείας Hasso Plattner στο Μόουντ Σινάι (HPIMS) και senior συγγραφέας της μελέτης.

«Υπάρχει μια συνεχής έκρηξη στο ποσό και τους τύπους δεδομένων που αποθηκεύονται ηλεκτρονικά σε ένα ιατρικό ρεκόρ ασθενή. Η αποσύνδεση αυτού του σύνθετου ιστού δεδομένων μπορεί να είναι πολύ δυσχερής, καθυστερώντας τις προόδους στην κλινική έρευνα», είπε ο Glicksberg. «Σε αυτή τη μελέτη, δημιουργήσαμε μια νέα μέθοδο για την εξόρυξη δεδομένων από ηλεκτρονικά ιατρικά ρεκόρ με τη χρήση μηχανικής μάθησης που είναι ταχύτερη και λιγότερο εργατική από τον βιομηχανικό κανονισμό. Ελπίζουμε ότι αυτό θα είναι ένα πολύτιμο εργαλείο που θα διευκολύνει περαιτέρω και λιγότερο προκατειλημμένες έρευνες στην κλινική πληροφορική».

Η μελέτη, η οποία δημοσιεύθηκε στο περιοδικό Patterns, ηγήθηκε από την Jessica K. De Freitas, μια μεταπτυχιακή φοιτήτρια στο εργαστήριο του Δρ. Glicksberg.

Τρέχων Βιομηχανικός Κανονισμός

Οι επιστήμονες σήμερα βασίζονται σε καθιερωμένα προγράμματα υπολογιστή και αλγόριθμους για την εξαγωγή ιατρικών ρεκόρ για νέες πληροφορίες. Ένα σύστημα που ονομάζεται Phenotype Knowledgebase (PheKB) αναπτύσσει και αποθηκεύει αυτούς τους αλγόριθμους. Το σύστημα είναι εξαιρετικά αποτελεσματικό στην σωστή αναγνώριση της διάγνωσης του ασθενή, αλλά οι ερευνητές απαιτείται να διαβάσουν πολλά ιατρικά ρεκόρ και να αναζητήσουν κομμάτια δεδομένων πρώτα. Αυτά τα δεδομένα περιλαμβάνουν πράγματα όπως εργαστηριακές εξετάσεις και συνταγές.

Ο αλγόριθμος προγραμματίζεται τότε να οδηγήσει τον υπολογιστή να αναζητήσει ασθενείς που έχουν disease-ειδικά κομμάτια δεδομένων, τα οποία ονομάζονται «φαινοτυπικά». Αυτό επιτρέπει στο σύστημα να δημιουργήσει μια λίστα ασθενών, η οποία πρέπει να ελεγχθεί χειρονακτικά από τους ερευνητές. Αν οι ερευνητές θέλουν να μελετήσουν μια νέα νόσο, απαιτείται να ξεκινήσουν τη διαδικασία από την αρχή.

Η Νέα Μέθοδος

Με τη νέα μέθοδο, οι ερευνητές επιτρέπουν στον υπολογιστή να αυτο-μαθεί πώς να αναγνωρίσει φαινοτυπικά νοσήματα, το οποίο économει χρόνο και εργασία για τους ερευνητές. Η μέθοδος Phe2vec βασίστηκε σε προηγούμενες μελέτες της ομάδας.

Ο Riccardo Miotto, PhD, είναι πρώην Αναπληρωτής Καθηγητής στο HPIMS και senior συγγραφέας της μελέτης.

«Προηγουμένως, δείξαμε ότι η μη επιτηρούμενη μηχανική μάθηση μπορεί να είναι μια εξαιρετικά αποτελεσματική και αποτελεσματική στρατηγική για την εξόρυξη ηλεκτρονικών ιατρικών ρεκόρ», είπε ο Miotto. «Το πλεονέκτημα της προσέγγισής μας είναι ότι μαθαίνει αναπαραστάσεις νοσημάτων από τα ίδια τα δεδομένα. Έτσι, ο υπολογιστής κάνει πολύ από το έργο που θα έκαναν οι εμπειρογνώμονες για να ορίσουν την συνδυασμένη σειρά δεδομένων από τα ιατρικά ρεκόρ που περιγράφουν καλύτερα μια συγκεκριμένη νόσο».

Ο υπολογιστής προγραμματίστηκε να διαβάσει εκατομμύρια ηλεκτρονικά ιατρικά ρεκόρ και να μάθει πώς να αναγνωρίσει συνδέσεις μεταξύ δεδομένων και νοσημάτων. Η προγραμματισμός βασίστηκε σε «εμφυτεύματα» αλγόριθμους, οι οποίοι είχαν αναπτυχθεί προηγουμένως από τους ερευνητές. Αυτοί χρησιμοποιήθηκαν για να μελετήσουν δίκτυα λέξεων σε διάφορες γλώσσες.

Ένας από αυτούς τους αλγόριθμους ονομάζεται word2vec και ήταν ιδιαίτερα αποτελεσματικός. Ο υπολογιστής προγραμματίστηκε τότε να αναγνωρίσει τη διάγνωση περίπου 2 εκατομμυρίων ασθενών των οποίων τα δεδομένα αποθηκεύονταν στο Σύστημα Υγείας του Μόουντ Σινάι.

Οι ερευνητές συνέκριναν τότε την αποτελεσματικότητα του νέου και του παλιού συστήματος και βρήκαν ότι για εννέα από τις δέκα νόσους που εξετάστηκαν, το νέο σύστημα Phe2vec ήταν εξίσου αποτελεσματικό ή ελαφρώς καλύτερο από την τρέχουσα «χρυσαφί» διαδικασία φαινοτυπικής για την αναγνώριση διάγνωσης από τα EHR. Αυτές οι νόσοι θα μπορούσαν να περιλαμβάνουν άνοια, πολλαπλή σκλήρυνση, αναιμία σφαιροκυττάρου και άλλα.

«Συνολικά, τα αποτελέσματά μας είναι ενθαρρυντικά και δείχνουν ότι το Phe2vec είναι μια υποσχόμενη τεχνική για την μεγάλης κλίμακας φαινοτυπική των νοσημάτων σε ηλεκτρονικά ιατρικά ρεκόρ», είπε ο Δρ. Glicksberg. «Με περαιτέρω δοκιμές και βελτίωση, ελπίζουμε ότι θα μπορούσε να χρησιμοποιηθεί για να αυτοματοποιήσει πολλά από τα αρχικά βήματα της κλινικής πληροφορικής έρευνας, επιτρέποντας στους επιστήμονες να εστιάσουν τις προσπάθειές τους στις αναλύσεις like προβλέψεις».