Algoritam umjetne inteligencije čita i predviđa podatke o pacijentima iz elektroničkih zdravstvenih kartona

Znanstvenici s Icahn School of Medicine na Mount Sinai razvili su novi, automatizirani algoritam temeljen na umjetnoj inteligenciji (AI) koji može čitati i predvidjeti podatke o pacijentima iz elektroničkih zdravstvenih kartona (EHR). 

Nova metoda zove se Phe2vec, a može precizno identificirati pacijente s određenim bolestima. Pokazalo se da je jednako točna kao i najpopularnija tradicionalna metoda, koja zahtijeva više ručnog rada za izvođenje.

Benjamin S. Glicksberg, dr. sc., docent je za genetiku i genomske znanosti. Također je član Hasso Plattner instituta za digitalno zdravlje na Mount Sinai (HPIMS) i viši autor studije. 

“Nastavlja se eksplozija u količini i vrsti podataka elektronički pohranjenih u medicinskom kartonu pacijenata. Razdvajanje ove složene mreže podataka može biti vrlo opterećujuće, što usporava napredak u kliničkim istraživanjima,” rekao je Glicksberg. “U ovoj smo studiji stvorili novu metodu za rudarenje podataka iz elektroničkih zdravstvenih zapisa sa strojnim učenjem koja je brža i manje radno intenzivna od industrijskog standarda. Nadamo se da će ovo biti vrijedan alat koji će olakšati daljnja i manje pristrana istraživanja u kliničkoj informatici.”

Studija, koja je objavljena u časopisu Patterns, je vodila Jessica K. De Freitas, studentica diplomskog studija u laboratoriju dr. Glicksberga.

Trenutačni industrijski standard 

Znanstvenici se trenutno oslanjaju na uspostavljene računalne programe i algoritme za izdvajanje novih informacija iz medicinske dokumentacije. Sustav pod nazivom Phenotype Knowledgebase (PheKB) razvija i pohranjuje te algoritme. Sustav je vrlo učinkovit u ispravnom utvrđivanju dijagnoze pacijenta, ali istraživači moraju proći kroz mnoge medicinske zapise i prvo potražiti dijelove podataka. Ovi podaci uključuju stvari poput laboratorijskih testova i recepata. 

Algoritam se zatim programira da vodi računalo u potrazi za pacijentima koji imaju dijelove podataka specifične za bolest, koji su označeni kao "fenotip". To omogućuje sustavu da stvori popis pacijenata, koji zatim moraju ručno provjeriti istraživači. Ako istraživači žele proučavati novu bolest, moraju započeti proces ispočetka.

Nova metoda

S novom metodom, istraživači omogućuju računalu da samonauči kako uočiti fenotipove bolesti, što istraživačima štedi vrijeme i rad. Metoda Phe2vec temelji se na prethodnim studijama koje je tim proveo.

Dr. Riccardo Miotto bivši je docent na HPIMS-u i viši autor studije. 

“Prethodno smo pokazali da bi nenadzirano strojno učenje moglo biti vrlo učinkovita i učinkovita strategija za rudarenje elektroničkih zdravstvenih zapisa”, rekao je Miotto. “Potencijalna prednost našeg pristupa je u tome što uči prikaze bolesti iz samih podataka. Stoga stroj obavlja velik dio posla koji bi inače stručnjaci radili kako bi definirali kombinaciju podatkovnih elemenata iz zdravstvenih zapisa koji najbolje opisuju određenu bolest.”

Računalo je programirano da prođe kroz milijune elektroničkih zdravstvenih zapisa i nauči kako identificirati veze između podataka i bolesti. Programiranje se oslanjalo na algoritme za "ugrađivanje" koje su također prethodno razvili istraživači. Oni su korišteni za proučavanje mreža riječi u raznim jezicima.

Jedan od tih algoritama nazvan je word2vec i bio je posebno učinkovit. Računalo je potom programirano da identificira dijagnozu oko 2 milijuna pacijenata čiji su podaci pohranjeni u zdravstvenom sustavu Mount Sinai.

Istraživači su zatim usporedili učinkovitost novog i starog sustava i otkrili da je za devet od deset testiranih bolesti novi sustav Phe2vec bio jednako učinkovit, ili malo bolji, od trenutnog "zlatnog standarda" procesa fenotipizacije za identifikaciju dijagnoze iz EHR-a. Te bolesti mogu uključivati ​​demenciju, multiplu sklerozu, anemiju srpastih stanica i još mnogo toga.

"Sveukupno su naši rezultati ohrabrujući i sugeriraju da je Phe2vec obećavajuća tehnika za fenotipizaciju velikih razmjera bolesti u podacima elektroničkih zdravstvenih kartona", rekao je dr. Glicksberg. "Uz daljnje testiranje i usavršavanje, nadamo se da bi se moglo koristiti za automatizaciju mnogih početnih koraka kliničkog informatičkog istraživanja, omogućujući znanstvenicima da usmjere svoje napore na nizvodne analize kao što je prediktivno modeliranje."