Algoritmo de inteligencia artificial lee y predice datos de pacientes a partir de registros de salud electrónicos

Los científicos de la Escuela de Medicina Icahn de Mount Sinai han desarrollado un nuevo algoritmo automatizado basado en inteligencia artificial (IA) que puede leer y predecir datos de pacientes a partir de registros de salud electrónicos (RSE).

El nuevo método se llama Phe2vec, y puede identificar con precisión a los pacientes con ciertas enfermedades. Se demostró que es tan preciso como el método tradicional más popular, que requiere más trabajo manual para realizar.

Benjamin S. Glicksberg, PhD, es profesor asistente de Genética y Ciencias Genómicas. También es miembro del Instituto Hasso Plattner para la Salud Digital en Mount Sinai (HPIMS) y autor senior del estudio.

“Hay una explosión en la cantidad y tipos de datos almacenados electrónicamente en el historial médico de un paciente. Desentrañar esta compleja red de datos puede ser muy laborioso, lo que ralentiza los avances en la investigación clínica”, dijo Glicksberg. “En este estudio, creamos un nuevo método para extraer datos de los registros de salud electrónicos con aprendizaje automático que es más rápido y menos laborioso que el estándar de la industria. Esperamos que sea una herramienta valiosa que facilite más investigación en informática clínica, y menos sesgada”.

El estudio, que se publicó en la revista Patterns, fue liderado por Jessica K. De Freitas, una estudiante de posgrado en el laboratorio del Dr. Glicksberg.

Estándar actual de la industria

Los científicos actualmente confían en programas y algoritmos informáticos establecidos para extraer registros médicos para obtener nueva información. Un sistema llamado Base de conocimientos de fenotipos (PheKB) desarrolla y almacena estos algoritmos. El sistema es muy efectivo para identificar correctamente el diagnóstico de un paciente, pero los investigadores deben revisar muchos registros médicos y buscar piezas de datos primero. Estos datos incluyen cosas como pruebas de laboratorio y recetas.

El algoritmo se programa para guiar al computador a buscar pacientes que tengan piezas de datos específicas de la enfermedad, que se etiqueta como “fenotipo”. Esto permite al sistema crear una lista de pacientes, que luego debe ser verificada manualmente por los investigadores. Si los investigadores desean estudiar una nueva enfermedad, deben comenzar el proceso de nuevo.

El nuevo método

Con el nuevo método, los investigadores permiten que el computador aprenda a identificar fenotipos de enfermedades por sí mismo, lo que ahorra tiempo y trabajo a los investigadores. El método Phe2vec se basó en estudios previos realizados por el equipo.

Riccardo Miotto, PhD, es un ex profesor asistente en el HPIMS y autor senior del estudio.

“Anteriormente, demostramos que el aprendizaje automático no supervisado podría ser una estrategia muy eficiente y efectiva para extraer datos de los registros de salud electrónicos”, dijo Miotto. “La ventaja potencial de nuestro enfoque es que aprende representaciones de enfermedades a partir de los datos en sí. Por lo tanto, la máquina hace gran parte del trabajo que normalmente harían los expertos para definir la combinación de elementos de datos de los registros de salud que mejor describen una enfermedad en particular”.

El computador se programó para revisar millones de registros de salud electrónicos y aprender a identificar conexiones entre los datos y las enfermedades. La programación se basó en algoritmos de “incrustación”, que también se desarrollaron previamente por los investigadores. Estos se utilizaron para estudiar redes de palabras en varios idiomas.

Uno de esos algoritmos se llamaba word2vec, y fue especialmente efectivo. El computador se programó para identificar el diagnóstico de alrededor de 2 millones de pacientes cuyos datos estaban almacenados en el Sistema de Salud de Mount Sinai.

Los investigadores luego compararon la efectividad del nuevo y el sistema actual, y encontraron que para nueve de cada diez enfermedades analizadas, el nuevo sistema Phe2vec era tan efectivo o ligeramente mejor que el proceso de fenotipado actual para identificar el diagnóstico a partir de los RSE. Estas enfermedades pueden incluir demencia, esclerosis múltiple, anemia falciforme y más.

“En general, nuestros resultados son alentadores y sugieren que Phe2vec es una técnica prometedora para la fenotipación a gran escala de enfermedades en datos de registros de salud electrónicos”, dijo el Dr. Glicksberg. “Con más pruebas y refinamiento, esperamos que pueda ser utilizado para automatizar muchos de los pasos iniciales de la investigación en informática clínica, lo que permitiría a los científicos centrar sus esfuerzos en análisis posteriores como la modelización predictiva”.