Algoritma AI Membaca dan Memprediksi Data Pasien dari Catatan Kesehatan Elektronik

Ilmuwan di Sekolah Kedokteran Icahn di Mount Sinai telah mengembangkan algoritma baru, otomatis, dan berbasis kecerdasan buatan (AI) yang dapat membaca dan memprediksi data pasien dari catatan kesehatan elektronik (EHRs).

Metode baru ini disebut Phe2vec, dan dapat mengidentifikasi pasien dengan penyakit tertentu dengan akurat. Metode ini terbukti sama akurat dengan metode tradisional yang paling populer, yang memerlukan lebih banyak tenaga kerja manual untuk dilakukan.

Benjamin S. Glicksberg, PhD, adalah Asisten Profesor di Departemen Genetika dan Ilmu Genomik. Ia juga merupakan anggota Institut Hasso Plattner untuk Kesehatan Digital di Mount Sinai (HPIMS) dan penulis senior dari studi ini.

“Masih ada ledakan dalam jumlah dan jenis data yang disimpan secara elektronik dalam catatan medis pasien. Menguraikan jaringan kompleks data ini dapat sangat membebani, sehingga memperlambat kemajuan penelitian klinis,” kata Glicksberg. “Dalam studi ini, kami menciptakan metode baru untuk menambang data dari catatan kesehatan elektronik dengan pembelajaran mesin yang lebih cepat dan kurang memerlukan tenaga kerja daripada standar industri. Kami berharap ini akan menjadi alat yang berharga yang dapat memfasilitasi penelitian lebih lanjut dan kurang bias di bidang kesehatan digital.”

Studi ini, yang diterbitkan di jurnal Patterns, dipimpin oleh Jessica K. De Freitas, seorang mahasiswa pascasarjana di laboratorium Dr. Glicksberg.

Standar Industri Saat Ini

Ilmuwan saat ini mengandalkan program komputer dan algoritma yang telah ditetapkan untuk mengekstrak catatan medis untuk informasi baru. Sistem yang disebut Phenotype Knowledgebase (PheKB) mengembangkan dan menyimpan algoritma ini. Sistem ini sangat efektif dalam mengidentifikasi diagnosis pasien dengan benar, tetapi peneliti harus melalui banyak catatan medis dan mencari potongan data terlebih dahulu. Data ini termasuk hal-hal seperti tes laboratorium dan resep.

Algoritma kemudian diprogram untuk memandu komputer mencari pasien yang memiliki potongan data spesifik penyakit, yang dilabeli sebagai “fenotip”. Ini memungkinkan sistem untuk membuat daftar pasien, yang kemudian perlu diperiksa secara manual oleh peneliti. Jika peneliti ingin mempelajari penyakit baru, mereka harus memulai proses dari awal.

Metode Baru

Dengan metode baru, peneliti memungkinkan komputer untuk belajar sendiri bagaimana mengidentifikasi fenotip penyakit, yang menghemat waktu dan tenaga kerja peneliti. Metode Phe2vec ini didasarkan pada studi sebelumnya yang dilakukan oleh tim.

Riccardo Miotto, PhD, adalah mantan Asisten Profesor di HPIMS dan penulis senior dari studi ini.

“Sebelumnya, kami menunjukkan bahwa pembelajaran mesin tak terawasi dapat menjadi strategi yang sangat efisien dan efektif untuk menambang catatan kesehatan elektronik,” kata Miotto. “Kelebihan potensial dari pendekatan kami adalah bahwa ini belajar representasi penyakit dari data itu sendiri. Oleh karena itu, mesin melakukan sebagian besar pekerjaan yang biasanya dilakukan oleh ahli untuk mendefinisikan kombinasi elemen data dari catatan kesehatan yang paling baik menggambarkan suatu penyakit.”

Komputer diprogram untuk melalui jutaan catatan kesehatan elektronik dan belajar mengidentifikasi koneksi antara data dan penyakit. Pemrograman ini bergantung pada algoritma “embedding”, yang juga sebelumnya dikembangkan oleh peneliti. Algoritma ini digunakan untuk mempelajari jaringan kata dalam berbagai bahasa.

Salah satu algoritma tersebut disebut word2vec, dan sangat efektif. Komputer kemudian diprogram untuk mengidentifikasi diagnosis sekitar 2 juta pasien yang datanya disimpan dalam Sistem Kesehatan Mount Sinai.

Peneliti kemudian membandingkan efektivitas sistem baru dan lama, dan mereka menemukan bahwa untuk sembilan dari sepuluh penyakit yang diuji, sistem Phe2vec baru sama efektif, atau sedikit lebih baik, daripada proses fenotip standar saat ini untuk mengidentifikasi diagnosis dari EHRs. Penyakit ini dapat termasuk demensia, sklerosis multipel, anemia sel sabit, dan lain-lain.

“Secara keseluruhan, hasil kami sangat menggembirakan dan menunjukkan bahwa Phe2vec adalah teknik yang menjanjikan untuk fenotip besar penyakit dalam data catatan kesehatan elektronik,” kata Dr. Glicksberg. “Dengan pengujian dan penyempurnaan lebih lanjut, kami berharap ini dapat digunakan untuk mengotomatisasi banyak langkah awal penelitian kesehatan digital, sehingga memungkinkan ilmuwan untuk fokus pada analisis lanjutan seperti pemodelan prediktif.”