Algoritmo di intelligenza artificiale legge e prevede i dati dei pazienti dai registri sanitari elettronici

Gli scienziati della Scuola di Medicina Icahn di Mount Sinai hanno sviluppato un nuovo algoritmo automatizzato basato sull’intelligenza artificiale (AI) in grado di leggere e prevedere i dati dei pazienti dai registri sanitari elettronici (EHR).

Il nuovo metodo si chiama Phe2vec e può identificare con precisione i pazienti con determinate malattie. È stato dimostrato che è altrettanto preciso del metodo tradizionale più popolare, che richiede più lavoro manuale per essere eseguito.

Benjamin S. Glicksberg, PhD, è professore assistente di Genetica e Scienze Genomiche. È anche membro dell’Istituto Hasso Plattner per la Salute Digitale di Mount Sinai (HPIMS) e autore senior dello studio.

“Continua a esserci un’esplosione nella quantità e nei tipi di dati archiviati elettronicamente nel registro medico di un paziente. Sgrovigliare questa complessa rete di dati può essere molto oneroso, rallentando così i progressi nella ricerca clinica”, ha detto Glicksberg. “In questo studio, abbiamo creato un nuovo metodo per estrarre dati dai registri sanitari elettronici con l’apprendimento automatico che è più veloce e meno laborioso dello standard dell’industria. Speriamo che questo possa essere uno strumento prezioso che faciliti ulteriori ricerche, meno soggette a pregiudizi, nel campo dell’informatica clinica”.

Lo studio, pubblicato sulla rivista Patterns, è stato guidato da Jessica K. De Freitas, una studentessa di dottorato nel laboratorio del Dr. Glicksberg.

Lo standard attuale dell’industria

Gli scienziati attualmente si affidano a programmi e algoritmi computerizzati stabiliti per estrarre i registri medici per nuove informazioni. Un sistema chiamato Phenotype Knowledgebase (PheKB) sviluppa e archivia questi algoritmi. Il sistema è molto efficace nell’identificare correttamente la diagnosi di un paziente, ma i ricercatori devono esaminare molti registri medici e cercare pezzi di dati, come ad esempio esami di laboratorio e prescrizioni.

L’algoritmo è quindi programmato per guidare il computer a cercare pazienti che hanno pezzi di dati specifici della malattia, che vengono etichettati come “fenotipo”. Ciò consente al sistema di creare un elenco di pazienti, che deve essere controllato manualmente dai ricercatori. Se i ricercatori desiderano studiare una nuova malattia, devono ripetere il processo.

Il nuovo metodo

Con il nuovo metodo, i ricercatori consentono al computer di auto-apprendere come rilevare i fenotipi della malattia, risparmiando tempo e lavoro ai ricercatori. Il metodo Phe2vec si basa su studi precedenti condotti dal team.

Riccardo Miotto, PhD, è un ex professore assistente dell’HPIMS e autore senior dello studio.

“In precedenza, abbiamo dimostrato che l’apprendimento automatico non supervisionato potrebbe essere una strategia molto efficiente ed efficace per estrarre dati dai registri sanitari elettronici”, ha detto Miotto. “Il potenziale vantaggio del nostro approccio è che esso apprende rappresentazioni di malattie dai dati stessi. Pertanto, la macchina fa gran parte del lavoro che gli esperti normalmente farebbero per definire la combinazione di elementi di dati dai registri sanitari che meglio descrivono una particolare malattia”.

Il computer è stato programmato per esaminare milioni di registri sanitari elettronici e imparare a identificare le connessioni tra i dati e le malattie. La programmazione si è basata su algoritmi di “incorporamento”, che erano stati precedentemente sviluppati dai ricercatori. Questi algoritmi erano stati utilizzati per studiare le reti di parole in vari linguaggi.

Uno di quegli algoritmi si chiamava word2vec e si è rivelato particolarmente efficace. Il computer è stato quindi programmato per identificare la diagnosi di circa 2 milioni di pazienti i cui dati erano archiviati nel sistema sanitario di Mount Sinai.

I ricercatori hanno quindi confrontato l’efficacia del nuovo e del vecchio sistema e hanno scoperto che per nove malattie su dieci testate, il nuovo sistema Phe2vec era altrettanto efficace, o leggermente migliore, del processo di fenotipizzazione attuale per l’identificazione della diagnosi dai registri sanitari elettronici. Queste malattie possono includere la demenza, la sclerosi multipla, l’anemia falciforme e altre.

“Complessivamente, i nostri risultati sono incoraggianti e suggeriscono che Phe2vec sia una tecnica promettente per la fenotipizzazione su larga scala delle malattie nei dati dei registri sanitari elettronici”, ha detto il Dr. Glicksberg. “Con ulteriori test e raffinamenti, speriamo che possa essere utilizzato per automatizzare molti dei primi passi della ricerca nell’informatica clinica, consentendo così agli scienziati di concentrare i loro sforzi sulle analisi a valle come la modellazione predittiva”.