Algorithme d’IA qui lit et prédit les données des patients à partir des dossiers médicaux électroniques

Les scientifiques de l’école de médecine Icahn du Mount Sinai ont développé un nouvel algorithme automatisé basé sur l’intelligence artificielle (IA) capable de lire et de prédire les données des patients à partir des dossiers médicaux électroniques (DME).

La nouvelle méthode s’appelle Phe2vec, et elle peut identifier avec précision les patients atteints de certaines maladies. Elle s’est révélée être tout aussi précise que la méthode traditionnelle la plus populaire, qui nécessite plus de travail manuel pour être réalisée.

Benjamin S. Glicksberg, PhD, est professeur adjoint de génétique et de sciences génomiques. Il est également membre de l’Institut Hasso Plattner pour la santé numérique du Mount Sinai (HPIMS) et auteur principal de l’étude.

“Il y a une explosion dans la quantité et les types de données stockées électroniquement dans le dossier médical d’un patient. Déterminer cette toile complexe de données peut être très fastidieux, ce qui ralentit les progrès de la recherche clinique”, a déclaré Glicksberg. “Dans cette étude, nous avons créé une nouvelle méthode pour extraire des données des dossiers médicaux électroniques à l’aide de l’apprentissage automatique qui est plus rapide et moins fastidieuse que la norme industrielle. Nous espérons que cela sera un outil précieux qui facilitera davantage la recherche en informatique clinique, moins biaisée.”

L’étude, qui a été publiée dans la revue Patterns, a été menée par Jessica K. De Freitas, une étudiante en doctorat dans le laboratoire de Dr. Glicksberg.

Norme actuelle de l’industrie

Les scientifiques s’appuient actuellement sur des programmes et des algorithmes informatiques établis pour extraire des dossiers médicaux pour de nouvelles informations. Un système appelé la base de connaissances des phénotypes (PheKB) développe et stocke ces algorithmes. Le système est très efficace pour identifier correctement un diagnostic de patient, mais les chercheurs doivent parcourir de nombreux dossiers médicaux et rechercher des pièces de données, notamment des tests de laboratoire et des ordonnances.

L’algorithme est ensuite programmé pour guider l’ordinateur à rechercher des patients qui ont des pièces de données spécifiques à une maladie, appelées “phénotype”. Cela permet au système de créer une liste de patients, qui doit ensuite être vérifiée manuellement par les chercheurs. Si les chercheurs veulent étudier une nouvelle maladie, ils doivent recommencer le processus.

La nouvelle méthode

Avec la nouvelle méthode, les chercheurs permettent à l’ordinateur d’apprendre à identifier les phénotypes de maladies, ce qui économise du temps et du travail pour les chercheurs. La méthode Phe2vec a été basée sur des études antérieures menées par l’équipe.

Riccardo Miotto, PhD, est un ancien professeur adjoint à l’HPIMS et auteur principal de l’étude.

“Nous avons précédemment démontré que l’apprentissage automatique non supervisé pouvait être une stratégie très efficace pour extraire des dossiers médicaux électroniques”, a déclaré Miotto. “L’avantage potentiel de notre approche est qu’elle apprend des représentations de maladies à partir des données elles-mêmes. Par conséquent, la machine effectue la plupart du travail que les experts feraient normalement pour définir la combinaison d’éléments de données des dossiers médicaux qui décrit le mieux une maladie particulière.”

L’ordinateur a été programmé pour parcourir des millions de dossiers médicaux électroniques et apprendre à identifier les connexions entre les données et les maladies. La programmation reposait sur des algorithmes d'”incrustation” qui avaient également été développés précédemment par les chercheurs. Ces algorithmes avaient été utilisés pour étudier les réseaux de mots dans différentes langues.

L’un de ces algorithmes s’appelait word2vec, et il s’est avéré particulièrement efficace. L’ordinateur a ensuite été programmé pour identifier le diagnostic d’environ 2 millions de patients dont les données étaient stockées dans le système de santé du Mount Sinai.

Les chercheurs ont ensuite comparé l’efficacité des nouveaux et anciens systèmes et ont constaté que pour neuf maladies sur dix testées, le nouveau système Phe2vec était tout aussi efficace, voire légèrement meilleur, que le processus de phénotypage actuel pour identifier les diagnostics à partir des DME. Ces maladies pouvaient inclure la démence, la sclérose en plaques, la drépanocytose et bien d’autres.

“Dans l’ensemble, nos résultats sont encourageants et suggèrent que Phe2vec est une technique prometteuse pour le phénotypage à grande échelle des maladies dans les données des dossiers médicaux électroniques”, a déclaré le Dr Glicksberg. “Avec des tests et des affinements supplémentaires, nous espérons qu’il pourrait être utilisé pour automatiser de nombreuses étapes initiales de la recherche en informatique clinique, permettant ainsi aux scientifiques de se concentrer sur les analyses en aval comme la modélisation prédictive.”