AIアルゴリズムが電子ヘルスレコードデータから患者データを読み取り予測する

マウントシナイのアイカーン医学学校の科学者たちは、電子ヘルスレコード（EHR）から患者データを読み取り予測する新しい自動化された人工知能（AI）ベースのアルゴリズムを開発しました。

この新しい方法はPhe2vecと呼ばれ、特定の疾患を持つ患者を正確に識別できます。従来の最も人気のある方法と同等の精度で、より多くの手作業が必要な従来の方法と比較して、より迅速に実行できます。

ベンジャミン・S・グリックスバーグ博士は、遺伝学およびゲノム科学の助教授であり、ハッソ・プラットナー・ディジタル・ヘルス研究所（HPIMS） tại マウントシナイのメンバーでもあり、この研究の共同責任著者です。

「電子ヘルスレコードに保存されている患者データの量と種類は急増しています。 この複雑なデータの網を解きほぐすことは非常に負担が大きく、臨床研究の進歩を遅らせます。 この研究では、機械学習を使用して電子ヘルスレコードからデータを抽出する新しい方法を作成しました。 これは、業界標準よりも高速で労力が少なく、臨床情報学の研究を促進する有用なツールになることを希望しています」

この研究は、Patterns誌に掲載され、Jessica K. De Freitas博士の指導を受けた研究員によって主導されました。

現在の業界標準

科学者は現在、既存のコンピュータープログラムとアルゴリズムに頼って、新しい情報を電子ヘルスレコードから抽出しています。Phenotype Knowledgebase（PheKB）システムは、これらのアルゴリズムを開発および保存しています。このシステムは、患者診断を正確に識別するのに非常に効果的ですが、研究者は多くの電子ヘルスレコードを調べて、ラボテストや処方箋などのデータを探す必要があります。

その後、アルゴリズムは、特定の疾患を持つ患者を探すようにコンピュータに指示し、これらの患者をリストアップします。研究者はこのリストを手動で確認する必要があります。新しい疾患を研究したい場合は、プロセスを最初からやり直す必要があります。

新しい方法

新しい方法では、研究者はコンピュータに、疾患の特徴を自分で学習させることができます。これにより、研究者の時間と労力が節約されます。Phe2vecメソッドは、チームが以前に行った研究に基づいています。

リッカルド・ミオット博士は、HPIMSの元助教授であり、この研究の共同責任著者です。

「以前、電子ヘルスレコードからデータを抽出するための機械学習は非常に効率的で効果的な戦略であることを示しました。私たちのアプローチの潜在的な利点は、機械が電子ヘルスレコード自体から疾患の表現を学習することです。したがって、機械は、電子ヘルスレコードから特定の疾患を最もよく表すデータ要素の組み合わせを定義するために、専門家が通常行う多くの作業を実行します」

コンピュータは、数百万の電子ヘルスレコードを調べて、データと疾患の関係を学習するようにプログラムされました。このプログラミングは、以前研究者によって開発された「埋め込み」アルゴリズムに依存していました。これらは、さまざまな言語の単語ネットワークを研究するために使用されていました。

そのうちの1つはword2vecと呼ばれ、特に効果的でした。コンピュータは、マウントシナイ・ヘルス・システムに保存されている約200万人の患者の診断を特定するようにプログラムされました。

研究者は、新しいシステムと旧システムの有効性を比較し、10種類の疾患のうち9種類で、新しいPhe2vecシステムは、電子ヘルスレコードからの診断の識別において、現在の「金標準」フェノタイピングプロセスと同等、またはわずかに優れています。これらの疾患には、認知症、多発性硬化症、鎌状細胞性貧血症などがあります。

「全体的な結果は励ましであり、Phe2vecは電子ヘルスレコードデータの大量フェノタイピングのための有望な技術であることを示唆しています。さらにテストと改良を行うことで、臨床情報学研究の初期段階の多くの自動化を可能にし、科学者が予測モデリングなどの下流分析に集中できることを希望しています」