एआई एल्गोरिदम इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड से रोगी डेटा पढ़ता है और भविष्यवाणी करता है

माउंट सिनाई में आइकाहन स्कूल ऑफ मेडिसिन के वैज्ञानिकों ने एक नया, स्वचालित, कृत्रिम बुद्धिमत्ता (एआई) आधारित एल्गोरिदम विकसित किया है जो इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड (ईएचआर) से रोगी डेटा पढ़ और भविष्यवाणी कर सकता है।

इस नए तरीके को पीएचई2वेक कहा जाता है, और यह कुछ बीमारियों वाले रोगियों की पहचान करने में सटीक रूप से सक्षम है। यह प्रदर्शित किया गया था कि यह सबसे लोकप्रिय पारंपरिक तरीके के रूप में उतना ही सटीक है, जिसमें अधिक मैनुअल श्रम की आवश्यकता होती है।

बेंजामिन एस ग्लिक्सबर्ग, पीएचडी, जेनेटिक्स और जेनोमिक साइंसेज के सहायक प्रोफेसर हैं। वह माउंट सिनाई में हासो प्लाटनर इंस्टीट्यूट फॉर डिजिटल हेल्थ (एचपीआईएमएस) के सदस्य भी हैं और अध्ययन के वरिष्ठ लेखक हैं।

“रोगी के चिकित्सा रिकॉर्ड में इलेक्ट्रॉनिक रूप से संग्रहीत डेटा की मात्रा और प्रकार में विस्फोट जारी है। इस जटिल डेटा को अलग करना बहुत ही कठिन हो सकता है, जिससे नैदानिक अनुसंधान में प्रगति धीमी हो जाती है,” ग्लिक्सबर्ग ने कहा। “इस अध्ययन में, हमने इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड से डेटा का खनन करने के लिए एक नया तरीका बनाया है जो मशीन लर्निंग का उपयोग करता है जो उद्योग मानक से तेज और कम श्रमसाध्य है। हमें उम्मीद है कि यह एक मूल्यवान उपकरण होगा जो नैदानिक अनुसंधान में आगे के शोध को सुविधाजनक बनाएगा।”

अध्ययन, जो पत्रिका में प्रकाशित हुआ थापैटर्न, जेसिका के डी फ्रीटास, डॉ ग्लिक्सबर्ग की प्रयोगशाला में एक स्नातक छात्र द्वारा नेतृत्व किया गया था।

वर्तमान उद्योग मानक

वैज्ञानिक वर्तमान में स्थापित कंप्यूटर प्रोग्राम और एल्गोरिदम पर निर्भर करते हैं ताकि वे नए डेटा के लिए चिकित्सा रिकॉर्ड निकाल सकें। एक प्रणाली जिसे फीनोटाइप नॉलेजबेस (पीएचईकेबी) कहा जाता है, इन एल्गोरिदम को विकसित और संग्रहीत करती है। यह प्रणाली रोगी के निदान की पहचान करने में बहुत प्रभावी है, लेकिन शोधकर्ताओं को पहले कई चिकित्सा रिकॉर्ड के माध्यम से जाने और डेटा के टुकड़ों की तलाश करने की आवश्यकता होती है। यह डेटा प्रयोगशाला परीक्षण और नुस्खे जैसी चीजों को शामिल कर सकता है।

एल्गोरिदम को फिर से प्रोग्राम किया जाता है ताकि यह कंप्यूटर को उन रोगियों की तलाश करने के लिए मार्गदर्शन करे जिनमें बीमारी विशिष्ट डेटा के टुकड़े हैं, जिसे “फीनोटाइप” कहा जाता है। यह प्रणाली को रोगियों की सूची बनाने में सक्षम बनाता है, जिसे शोधकर्ताओं द्वारा मैनुअल रूप से जांच की जानी चाहिए। यदि शोधकर्ता एक नई बीमारी का अध्ययन करना चाहते हैं, तो उन्हें प्रक्रिया को दोहराना होगा।

नया तरीका

नए तरीके से, शोधकर्ता कंप्यूटर को सिखाते हैं कि बीमारी फीनोटाइप को स्वयं कैसे पहचानें, जो शोधकर्ताओं को समय और काम बचाता है। पीएचई2वेक तरीका पिछले अध्ययनों पर आधारित था जो टीम ने किया था।

रिकार्डो मियोटो, पीएचडी, एचपीआईएमएस में पूर्व सहायक प्रोफेसर हैं और अध्ययन के वरिष्ठ लेखक हैं।

“पहले, हमने दिखाया कि अनुप्रविष्ट मशीन लर्निंग इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड को खनन करने के लिए एक बहुत ही कुशल और प्रभावी रणनीति हो सकती है,” मियोटो ने कहा। “हमारे दृष्टिकोण का संभावित लाभ यह है कि यह स्वास्थ्य रिकॉर्ड से ही बीमारियों के प्रतिनिधित्व सीखता है। इसलिए, मशीन वही काम करती है जो विशेषज्ञ आमतौर पर एक विशिष्ट बीमारी का वर्णन करने के लिए स्वास्थ्य रिकॉर्ड से डेटा तत्वों के संयोजन को परिभाषित करने के लिए करते हैं।”

कंप्यूटर को लाखों इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड के माध्यम से जाने और डेटा और बीमारियों के बीच संबंधों की पहचान करने के लिए प्रोग्राम किया गया था। प्रोग्रामिंग “एम्बेडिंग” एल्गोरिदम पर निर्भर करती थी, जो शोधकर्ताओं द्वारा पहले विकसित की गई थी। इन्हें विभिन्न भाषाओं में शब्द नेटवर्क का अध्ययन करने के लिए उपयोग किया गया था।

उन एल्गोरिदम में से एक को वर्ड2वेक कहा जाता था, और यह विशेष रूप से प्रभावी था। कंप्यूटर को माउंट सिनाई हेल्थ सिस्टम में संग्रहीत लगभग 2 मिलियन रोगियों के निदान की पहचान करने के लिए प्रोग्राम किया गया था।

शोधकर्ताओं ने तब नए और पुराने सिस्टम की प्रभावशीलता की तुलना की, और उन्होंने पाया कि दस में से नौ बीमारियों के लिए, नया पीएचई2वेक सिस्टम ईएचआर से निदान की पहचान करने के लिए वर्तमान “गोल्ड स्टैंडर्ड” फीनोटाइपिंग प्रक्रिया के रूप में प्रभावी या थोड़ा बेहतर था। इन बीमारियों में डिमेंशिया, मल्टीपल स्केलेरोसिस, सिकल सेल एनीमिया और अधिक शामिल हो सकते हैं।

“कुल मिलाकर हमारे परिणाम उत्साहजनक हैं और सुझाव देते हैं कि पीएचई2वेक इलेक्ट्रॉनिक स्वास्थ्य रिकॉर्ड डेटा में बीमारियों के बड़े पैमाने पर फीनोटाइपिंग के लिए एक वादाजनक तकनीक है,” डॉ ग्लिक्सबर्ग ने कहा। “अधिक परीक्षण और परिष्करण के साथ, हमें उम्मीद है कि यह नैदानिक अनुसंधान में प्रारंभिक चरणों को स्वचालित करने के लिए उपयोग किया जा सकता है, जिससे वैज्ञानिकों को डाउनस्ट्रीम विश्लेषण जैसे पूर्वानुमान मॉडलिंग पर अपने प्रयासों को केंद्रित करने की अनुमति मिल सकती है।”