Ο αλγόριθμος AI διαβάζει και προβλέπει δεδομένα ασθενών από ηλεκτρονικά αρχεία υγείας

Επιστήμονες της Ιατρικής Σχολής Icahn στο Όρος Σινά ανέπτυξαν έναν νέο, αυτοματοποιημένο αλγόριθμο βασισμένο στην τεχνητή νοημοσύνη (AI) που μπορεί να διαβάσει και να προβλέψει δεδομένα ασθενών από ηλεκτρονικά αρχεία υγείας (EHRs). 

Η νέα μέθοδος ονομάζεται Phe2vec και μπορεί να εντοπίσει με ακρίβεια ασθενείς με ορισμένες ασθένειες. Αποδείχθηκε ότι είναι εξίσου ακριβής με την πιο δημοφιλή παραδοσιακή μέθοδο, η οποία απαιτεί περισσότερη χειρωνακτική εργασία για να εκτελεστεί.

Ο Benjamin S. Glicksberg, PhD, είναι Επίκουρος Καθηγητής Γενετικής και Γονιδιωματικών Επιστημών. Είναι επίσης μέλος του Hasso Plattner Institute for Digital Health στο Όρος Σινά (HPIMS) και ανώτερος συγγραφέας της μελέτης. 

«Συνεχίζει να υπάρχει έκρηξη στην ποσότητα και τους τύπους δεδομένων που αποθηκεύονται ηλεκτρονικά στον ιατρικό φάκελο ενός ασθενούς. Η αποσύνδεση αυτού του πολύπλοκου ιστού δεδομένων μπορεί να είναι εξαιρετικά επαχθής, επιβραδύνοντας έτσι τις εξελίξεις στην κλινική έρευνα», δήλωσε ο Glicksberg. «Σε αυτή τη μελέτη, δημιουργήσαμε μια νέα μέθοδο για την εξόρυξη δεδομένων από ηλεκτρονικά αρχεία υγείας με μηχανική μάθηση που είναι ταχύτερη και λιγότερο εντάσεως εργασίας από τα πρότυπα της βιομηχανίας. Ελπίζουμε ότι αυτό θα είναι ένα πολύτιμο εργαλείο που θα διευκολύνει περαιτέρω, και λιγότερο μεροληπτική, έρευνα στην κλινική πληροφορική».

Η μελέτη, η οποία δημοσιεύτηκε στο περιοδικό πρότυπα, Διευθύνθηκε από την Jessica K. De Freitas, μεταπτυχιακή φοιτήτρια στο εργαστήριο του Δρ. Glicksberg.

Τρέχον βιομηχανικό πρότυπο 

Οι επιστήμονες επί του παρόντος βασίζονται σε καθιερωμένα προγράμματα υπολογιστών και αλγόριθμους για την εξαγωγή ιατρικών αρχείων για νέες πληροφορίες. Ένα σύστημα που ονομάζεται Φαινοτυπική Γνωσιακή Βάση (PheKB) αναπτύσσει και αποθηκεύει αυτούς τους αλγόριθμους. Το σύστημα είναι εξαιρετικά αποτελεσματικό στον σωστό εντοπισμό μιας διάγνωσης ασθενούς, αλλά οι ερευνητές πρέπει να περάσουν από πολλά ιατρικά αρχεία και να αναζητήσουν πρώτα κομμάτια δεδομένων. Αυτά τα δεδομένα περιλαμβάνουν πράγματα όπως εργαστηριακές εξετάσεις και συνταγές. 

Στη συνέχεια, ο αλγόριθμος προγραμματίζεται για να καθοδηγήσει τον υπολογιστή στην αναζήτηση ασθενών που έχουν δεδομένα για συγκεκριμένες ασθένειες, τα οποία φέρουν την ετικέτα «φαινότυπος». Αυτό επιτρέπει στο σύστημα να δημιουργήσει μια λίστα ασθενών, η οποία στη συνέχεια πρέπει να ελεγχθεί χειροκίνητα από τους ερευνητές. Εάν οι ερευνητές θέλουν να μελετήσουν μια νέα ασθένεια, πρέπει να ξεκινήσουν τη διαδικασία από την αρχή.

Η Νέα Μέθοδος

Με τη νέα μέθοδο, οι ερευνητές δίνουν τη δυνατότητα στον υπολογιστή να μαθαίνει μόνος του πώς να εντοπίζει φαινοτύπους ασθενειών, γεγονός που εξοικονομεί χρόνο και εργασία στους ερευνητές. Η μέθοδος Phe2vec βασίστηκε σε προηγούμενες μελέτες που πραγματοποίησε η ομάδα.

Ο Riccardo Miotto, PhD, είναι πρώην Επίκουρος Καθηγητής στο HPIMS και ανώτερος συγγραφέας της μελέτης. 

«Προηγουμένως, δείξαμε ότι η μη εποπτευόμενη μηχανική εκμάθηση θα μπορούσε να είναι μια εξαιρετικά αποδοτική και αποτελεσματική στρατηγική για την εξόρυξη ηλεκτρονικών αρχείων υγείας», δήλωσε ο Miotto. «Το πιθανό πλεονέκτημα της προσέγγισής μας είναι ότι μαθαίνει αναπαραστάσεις ασθενειών από τα ίδια τα δεδομένα. Ως εκ τούτου, το μηχάνημα κάνει μεγάλο μέρος της εργασίας που θα έκαναν κανονικά οι ειδικοί για να ορίσουν τον συνδυασμό στοιχείων δεδομένων από αρχεία υγείας που περιγράφουν καλύτερα μια συγκεκριμένη ασθένεια».

Ο υπολογιστής ήταν προγραμματισμένος να περνά από εκατομμύρια ηλεκτρονικά αρχεία υγείας και να μαθαίνει πώς να εντοπίζει τις συνδέσεις μεταξύ δεδομένων και ασθενειών. Ο προγραμματισμός βασίστηκε σε αλγόριθμους «ενσωμάτωσης», οι οποίοι είχαν επίσης αναπτυχθεί προηγουμένως από τους ερευνητές. Αυτά χρησιμοποιήθηκαν για τη μελέτη δικτύων λέξεων σε διάφορες γλώσσες.

Ένας από αυτούς τους αλγόριθμους ονομαζόταν word2vec και ήταν ιδιαίτερα αποτελεσματικός. Στη συνέχεια, ο υπολογιστής προγραμματίστηκε για να αναγνωρίζει τη διάγνωση περίπου 2 εκατομμυρίων ασθενών των οποίων τα δεδομένα ήταν αποθηκευμένα στο Σύστημα Υγείας του Όρους Σινά.

Στη συνέχεια, οι ερευνητές συνέκριναν την αποτελεσματικότητα των νέων και των παλαιών συστημάτων και διαπίστωσαν ότι για εννέα στις δέκα ασθένειες που δοκιμάστηκαν, το νέο σύστημα Phe2vec ήταν εξίσου αποτελεσματικό ή ελαφρώς καλύτερο από την τρέχουσα διαδικασία φαινοτυποποίησης «χρυσού προτύπου» για την αναγνώριση της διάγνωσης. από ΗΜΥ. Αυτές οι ασθένειες θα μπορούσαν να περιλαμβάνουν άνοια, σκλήρυνση κατά πλάκας, δρεπανοκυτταρική αναιμία και πολλά άλλα.

«Συνολικά τα αποτελέσματά μας είναι ενθαρρυντικά και υποδηλώνουν ότι το Phe2vec είναι μια πολλά υποσχόμενη τεχνική για μεγάλης κλίμακας φαινοτυποποίηση ασθενειών σε δεδομένα ηλεκτρονικών αρχείων υγείας», είπε ο Δρ. Glicksberg. «Με περαιτέρω δοκιμές και τελειοποίηση, ελπίζουμε ότι θα μπορούσε να χρησιμοποιηθεί για την αυτοματοποίηση πολλών από τα αρχικά βήματα της έρευνας κλινικής πληροφορικής, επιτρέποντας έτσι στους επιστήμονες να εστιάσουν τις προσπάθειές τους σε αναλύσεις κατάντη, όπως η προγνωστική μοντελοποίηση».