Tekoälyalgoritmi lukee ja ennustaa potilastietoja sähköisistä terveystiedoista

Icahnin lääketieteellisen koulun tutkijat Mount Sinain yliopistossa ovat kehittäneet uuden, automaattisen, tekoälyyn perustuvan algoritmin, joka pystyy lukemaan ja ennustamaan potilastietoja sähköisistä terveystiedoista (EHR).

Uusi menetelmä on nimeltään Phe2vec, ja se pystyy tunnistamaan tarkasti potilaat, joilla on tiettyjä sairauksia. Se osoittautui yhtä tarkin kuin perinteinen menetelmä, joka vaatii enemmän manuaalista työtä.

Benjamin S. Glicksberg, PhD, on apulaisprofessori genetiikan ja genominen tiede -osastolla. Hän on myös Hasso Plattnerin digitaalisen terveyden instituutin (HPIMS) jäsen ja tutkimuksen seniorkirjoittaja.

“Potilaiden sähköisissä terveystiedoissa tallennettujen tietojen määrä ja laatu ovat räjähdysmäisesti kasvamassa. Tämän monimutkaisen tietoverkon purkaminen voi olla hyvin raskasta, mikä hidastaa kliinisen tutkimuksen edistymistä”, Glicksberg sanoi. “Tässä tutkimuksessa luomme uuden menetelmän sähköisten terveystietojen kaivamiseen koneoppimisen avulla, joka on nopeampi ja vähemmän työntäyteinen kuin alan standardi. Toivomme, että tämä olisi arvokas työkalu, joka helpottaa tulevaa, ja vähemmän harhaanjohtavaa, tutkimusta kliinisen tietojen käsittelyssä.”

Tutkimus, joka julkaistiin Patterns-lehdessä, johti Jessica K. De Freitas, joka on Glicksbergin laboratorion jatko-opiskelija.

Nykyinen alan standardi

Tutkijat luottavat tällä hetkellä vakiintuneisiin tietokoneohjelmiin ja algoritmeihin terveystietojen uuden tiedon hakemiseen. Phenotype Knowledgebase (PheKB) -järjestelmä kehittää ja tallentaa nämä algoritmit. Järjestelmä on erittäin tehokas potilaiden oikean diagnoosin tunnistamisessa, mutta tutkijoiden on käytävä läpi monia terveystietoja ja etsittävä tiettyjä tietoja, kuten laboratoriotutkimuksia ja reseptejä.

Algoritmi ohjelmoitavaan tietokoneeseen etsimään potilaita, joilla on tiettyjä sairautta koskevia tietoja, joita kutsutaan “fenotyyppi”. Tämä mahdollistaa järjestelmän luomisen potilaiden luettelosta, jota tutkijoiden on tarkistettava manuaalisesti. Jos tutkijat haluavat tutkia uutta sairautta, heidän on aloitettava prosessi alusta.

Uusi menetelmä

Uudella menetelmällä tutkijat mahdollistavat tietokoneen itsenäisen oppimisen sairauksien fenotyyppien tunnistamiseen, mikä säästää tutkijoilta aikaa ja työtä. Phe2vec-menetelmä perustui aiempiin tutkimuksiin, joita tiimi oli suorittanut.

Riccardo Miotto, PhD, on entinen apulaisprofessori HPIMS:ssä ja tutkimuksen seniorkirjoittaja.

“Aiemmin osoitimme, että valvomaton koneoppiminen voi olla erittäin tehokas ja tehokas strategia sähköisten terveystietojen kaivamiseen”, Miotto sanoi. “Lähestymistapamme etu on, että se oppii sairauksien edustukset itse tiedoista. Tämän vuoksi kone tekee suurimman osan työstä, jonka asiantuntijat normaalisti tekevät määrittääkseen terveystiedoista parhaan sairauden kuvaavan tietojen yhdistelmän.”

Tietokone ohjelmoitiin käymään läpi miljoonia sähköisiä terveystietoja ja oppimaan tunnistamaan yhteyksiä tietojen ja sairauksien välillä. Ohjelmointi perustui “upottamis” -algoritmeihin, jotka tutkijat olivat aiemmin kehittäneet. Niitä oli käytetty tutkimaan sanaverkkoja eri kielissä.

Yksi näistä algoritmeista oli nimeltään word2vec, ja se osoittautui erittäin tehokkaaksi. Tietokone ohjelmoitiin tunnistamaan noin kahden miljoonan potilaan diagnoosi, joiden tiedot olivat tallennettuina Mount Sinain terveydenhuoltojärjestelmään.

Tutkijat vertailivat uuden ja vanhan järjestelmän tehokkuutta ja totesivat, että yhdeksän kymmenestä testatusta sairaudesta uusi Phe2vec-järjestelmä oli yhtä tehokas tai hieman parempi kuin nykyinen “kultainen standardi” fenotyyppien tunnistamisessa sähköisistä terveystiedoista. Nämä sairaudet voivat sisältää dementiaa, multipelia, sikkelisolutaanemiaa ja muita.

“Yleisesti ottaen tuloksemme ovat rohkaisevia ja viittaavat siihen, että Phe2vec on lupaava tekniikka sairauksien laajamittaiseen fenotyyppiin sähköisissä terveystiedoissa”, Glicksberg sanoi. “Jatkamalla testaamista ja jalostamista toivomme, että se voisi automatisoida monia kliinisen tietojen käsittelyn alkuvaiheita, mikä mahdollistaisi tutkijoiden keskittymisen laskelmoivaan mallintamiseen.”