אלגוריתם AI קורא ומנבא נתוני מטופלים מתוך רשומות בריאות אלקטרוניות

מדענים בבית הספר לרפואה אייקהן במאונט סיני פיתחו שיטה חדשה, אוטומטית, המבוססת על אלגוריתם אינטליגנציה מלאכותית (AI) שיכול לקרוא ולחזות נתוני מטופלים מתוך רשומות בריאות אלקטרוניות (EHRs). 

השיטה החדשה נקראת Phe2vec, והיא יכולה לזהות במדויק מטופלים עם מחלות מסוימות. היא הוכחה כמדויקת כמו השיטה המסורתית הפופולרית ביותר, שדורשת יותר עבודה ידנית כדי לבצע.

בנג’מין ס. גליקסברג, PhD, הוא פרופסור חבר בגנטיקה ומדעי הגנום. הוא גם חבר במכון האסו פלאטנר לבריאות דיגיטלית במאונט סיני (HPIMS) ומחבר ראשי של המחקר. 

“ישנה המשך לפיצוץ בכמות ובסוגים של נתונים האחסנו באופן אלקטרוני ברשומת הרפואית של המטופל. פירוק הרשת המורכבת הזו של נתונים יכול להיות מאוד מטריד, ובכך לאטום את הקידום במחקרים קליניים,” אמר גליקסברג. “במחקר זה, יצרנו שיטה חדשה לכריית נתונים מרשומות בריאות אלקטרוניות עם למידת מכונה, שהיא מהירה יותר ופחות עובדת מהתקן התעשייתי. מקווים שזה יהיה כלי שימושי שיאפשר מחקרים נוספים ופחות מוטים בתחום הביואינפורמטיקה הקלינית.”

המחקר, שפורסם בכתב העת Patterns, הונהג על ידי ג’סיקה ק. דה פריטאס, סטודנטית לתואר שני במעבדה של ד”ר גליקסברג.

תקן התעשייה הנוכחי 

מדענים כיום מסתמכים על תוכנות מחשב ואלגוריתמים מוכרים כדי לחלץ רשומות רפואיות למידע חדש. מערכת הנקראת Phenotype Knowledgebase (PheKB) מפתחת ואוחסנת אלגוריתמים אלה. המערכת מאוד יעילה בזיהוי מדויק של אבחון מטופל, אך החוקרים נדרשים לעבור דרך הרבה רשומות רפואיות ולחפש חלקים של נתונים תחילה. נתונים אלה כוללים דברים כמו מבחני מעבדה ומרשמים. 

האלגוריתם מתוכנת להדריך את המחשב לחפש מטופלים שיש להם נתונים מסוימים של מחלות, המסומנים כ”פנוטייפ”. זה מאפשר למערכת ליצור רשימה של מטופלים, אשר צריכה להיבדק ידנית על ידי החוקרים. אם החוקרים רוצים לחקור מחלה חדשה, הם נדרשים להתחיל את התהליך מחדש.

השיטה החדשה

עם השיטה החדשה, החוקרים מאפשרים למחשב ללמוד בעצמו איך לזהות פנוטייפים של מחלות, מה שחוסך לחוקרים זמן ועבודה. שיטת Phe2vec התבססה על מחקרים קודמים שביצעה הקבוצה.

ריקרדו מיוטו, PhD, הוא פרופסור חבר לשעבר ב-HPIMS ומחבר ראשי של המחקר. 

“בעבר, הוכחנו כי למידת מכונה בלתי מופרעת יכולה להיות אסטרטגיה מאוד יעילה ומוצלחת לכריית רשומות בריאות אלקטרוניות,” אמר מיוטו. “היתרון הפוטנציאלי של הגישה שלנו הוא שהיא לומדת ייצוגים של מחלות מהנתונים עצמם. לפיכך, המכונה עושה הרבה מהעבודה שמומחים נורמליים עושים כדי להגדיר את השילוב של אלמנטי נתונים מרשומות בריאות שמתארים הכי טוב את מחלה מסוימת.”

המחשב תוכנת לעבור דרך מיליוני רשומות בריאות אלקטרוניות וללמוד איך לזהות קשרים בין נתונים למחלות. התכנות הסתמכה על אלגוריתמים “מוטבעים”, שפותחו קודם לכן על ידי החוקרים. אלה שימשו לחקור רשתות מילים בשפות שונות.

אחד מאותם אלגוריתמים נקרא word2vec, והוא היה במיוחד יעיל. המחשב הותכנת לזהות את האבחון של כ-2 מיליון מטופלים שנתוניהם אוחסנו במערכת הבריאות של מאונט סיני.

החוקרים השוו את היעילות של המערכות החדשה והישנה, והם מצאו כי ל-9 מתוך 10 מחלות שנבדקו, מערכת Phe2vec החדשה הייתה יעילה כמו, או מעט יותר טובה, מהתהליך ה”זהב” הנוכחי של זיהוי פנוטייפ לאיתור אבחון מ-EHRs. מחלות אלה יכולות לכלול דברים כמו דמנציה, טרשת נפוצה, אנמיה חוסרית ועוד.

“בסך הכל, תוצאותינו מעודדות ומרמזות כי Phe2vec הוא טכניקה מבטיחה לפנוטייפים בקנה מידה גדול של נתוני רשומות בריאות אלקטרוניות,” אמר ד”ר גליקסברג. “עם בדיקות ושיפור נוספים, מקווים שניתן יהיה להשתמש בו כדי לאוטומט את רוב הצעדים הראשונים של מחקרי ביואינפורמטיקה קלינית, ובכך לאפשר למדענים להתמקד בניתוחים אחרים כמו מודלים חיזויים.”