Az AI algoritmus beolvassa és előrejelzi a betegek adatait az elektronikus egészségügyi nyilvántartásokból

A Sinai-hegyi Icahn Orvostudományi Iskola tudósai új, automatizált, mesterséges intelligencia (AI) alapú algoritmust fejlesztettek ki, amely képes kiolvasni és előre jelezni a betegek adatait az elektronikus egészségügyi nyilvántartásokból (EHR). 

Az új módszer a Phe2vec, és pontosan azonosítani tudja bizonyos betegségekben szenvedőket. Bebizonyosodott, hogy ugyanolyan pontos, mint a legnépszerűbb hagyományos módszer, amely több kézi munkát igényel.

Benjamin S. Glicksberg, PhD, a genetika és genomikai tudományok adjunktusa. A Sinai-hegyi Hasso Plattner Digitális Egészségügyi Intézet (HPIMS) tagja és a tanulmány vezető szerzője is. 

„Továbbra is robbanásszerűen növekszik a betegek egészségügyi dokumentációjában elektronikusan tárolt adatok mennyisége és típusa. Ennek az összetett adathálónak a szétválasztása rendkívül megterhelő lehet, így lelassítja a klinikai kutatás előrehaladását” – mondta Glicksberg. „Ebben a tanulmányban új módszert hoztunk létre az elektronikus egészségügyi nyilvántartásokból származó adatok gépi tanulással történő bányászatára, amely gyorsabb és kevésbé munkaigényes, mint az iparági szabvány. Reméljük, hogy ez egy értékes eszköz lesz, amely megkönnyíti a további és kevésbé elfogult kutatásokat a klinikai informatika területén.”

A tanulmány, amelyet megjelent a folyóiratban Minták, Jessica K. De Freitas, Dr. Glicksberg laboratóriumának végzős hallgatója vezette.

Jelenlegi iparági szabvány 

A tudósok jelenleg bevált számítógépes programokra és algoritmusokra támaszkodnak az orvosi feljegyzések kinyerésére új információkért. A Phenotype Knowledgebase (PheKB) nevű rendszer fejleszti és tárolja ezeket az algoritmusokat. A rendszer rendkívül hatékony a páciens diagnózisának helyes azonosításában, de a kutatóknak először át kell nézniük számos orvosi feljegyzést, és először meg kell keresniük az adatokat. Ezek az adatok olyan dolgokat tartalmaznak, mint a laboratóriumi vizsgálatok és a receptek. 

Az algoritmus ezután úgy van programozva, hogy irányítsa a számítógépet, hogy megkeresse azokat a betegeket, akiknél betegség-specifikus adatok vannak, amelyeket „fenotípusnak” neveznek. Ez lehetővé teszi a rendszer számára, hogy készítsen egy listát a betegekről, amelyet ezután a kutatóknak manuálisan ellenőrizniük kell. Ha a kutatók új betegséget akarnak tanulmányozni, akkor elölről kell kezdeniük a folyamatot.

Az új módszer

Az új módszerrel a kutatók lehetővé teszik a számítógép számára, hogy önállóan tanulja meg a betegségek fenotípusainak észlelését, amivel időt és munkát takarítanak meg. A Phe2vec módszer a csapat által végzett korábbi vizsgálatokon alapult.

Riccardo Miotto, PhD, a HPIMS korábbi adjunktusa és a tanulmány vezető szerzője. 

„Korábban megmutattuk, hogy a felügyelet nélküli gépi tanulás rendkívül hatékony és eredményes stratégia lehet az elektronikus egészségügyi nyilvántartások bányászatában” – mondta Miotto. „Megközelítésünk potenciális előnye, hogy magából az adatokból tanulja meg a betegségek reprezentációit. Ezért a gép elvégzi a legtöbb munkát a szakértők, hogy meghatározzák az egészségügyi feljegyzések adatelemeinek azon kombinációját, amely a legjobban írja le az adott betegséget.”

A számítógépet úgy programozták, hogy több millió elektronikus egészségügyi nyilvántartáson menjen keresztül, és megtanulja, hogyan lehet azonosítani az adatok és a betegségek közötti összefüggéseket. A programozás „beágyazó” algoritmusokon alapult, amelyeket korábban szintén a kutatók fejlesztettek ki. Ezeket a szóhálózatok tanulmányozására használták különböző nyelveken.

Az egyik algoritmus neve word2vec volt, és különösen hatékony volt. A számítógépet ezután úgy programozták, hogy azonosítsa körülbelül 2 millió olyan beteg diagnózisát, akiknek adatait a Mount Sinai egészségügyi rendszerben tárolták.

A kutatók ezután összehasonlították az új és a régi rendszerek hatékonyságát, és azt találták, hogy tíz vizsgált betegségből kilenc esetében az új Phe2vec rendszer ugyanolyan hatékony, vagy valamivel jobb, mint a jelenlegi „arany standard” fenotipizálási eljárás a diagnózis felállításában. az EHR-ekből. Ezek a betegségek közé tartozik a demencia, a sclerosis multiplex, a sarlósejtes vérszegénység és még sok más.

„Eredményeink összességében biztatóak, és arra utalnak, hogy a Phe2vec ígéretes technika a betegségek nagy léptékű fenotipizálására az elektronikus egészségügyi nyilvántartásokban” – mondta Dr. Glicksberg. "További teszteléssel és finomítással azt reméljük, hogy felhasználható lesz a klinikai informatikai kutatás kezdeti lépéseinek automatizálására, így lehetővé téve a tudósok számára, hogy erőfeszítéseiket olyan downstream elemzésekre összpontosítsák, mint a prediktív modellezés."