전자건강기록에서 환자데이터 읽고 예측하는 AI 알고리즘

마운트 시나이 의과대학의 과학자들은 전자건강기록(EHR)에서 환자데이터를 읽고 예측할 수 있는 새로운 자동화된 인공지능(AI) 기반 알고리즘을 개발했습니다.

새로운 방법은 Phe2vec라고呼ば으며, 특정 질병이 있는 환자를 정확하게 식별할 수 있습니다. 가장 인기 있는 전통적인 방법과 동일한 정확도로 입증되었으며, 수행하기 위해 더 많은 수동 노력이 필요합니다.

벤자민 S. 글릭스버그(Benjamin S. Glicksberg) 박사는 유전학 및 게놈과학 조교수이며, 마운트 시나이 디지털 헬스 연구소(HPIMS)의 회원이자 연구의 선임 저자입니다.

글릭스버그는 “환자의 의료 기록에 저장된 데이터의 양과 유형이 폭발적으로 증가하고 있습니다. 이 복잡한 데이터 웹을 풀어하기는 매우 번거롭기 때문에 임상 연구의 진보가 느려질 수 있습니다”라고 말했다. “이 연구에서 우리는 기계 학습을 사용하여 전자건강기록에서 데이터를 마이닝하는 새로운 방법을 만들었습니다. 이는 산업 표준보다 빠르고 노동 집약적이지 않습니다. 우리는 이것이 가치 있는 도구가 될 것이라고希望하며, 임상 정보학 연구를 더욱 빠르고 편향되지 않게 할 것입니다.”

이 연구는 Patterns 저널에 발표되었으며, 글릭스버그 박사의 연구실에서 대학원 학생인 제시카 K. 드프레이트(Jessica K. De Freitas)가 주도했습니다.

현재 산업 표준

과학자들은 새로운 정보를 추출하기 위해 확립된 컴퓨터 프로그램과 알고리즘을 사용합니다. 페놀타입 지식베이스(PheKB) 시스템은 이러한 알고리즘을 개발하고 저장합니다. 이 시스템은 환자 진단을 올바르게 식별하는 데 매우 효과적이지만, 연구자들은 먼저 많은 의료 기록을 살펴보고 데이터 조각을 찾는 것이 필요합니다. 이러한 데이터에는 실험실 테스트와 처방이 포함됩니다.

알고리즘은 컴퓨터가 질병 특이적인 데이터 조각, 즉 “페놀타입”을 찾도록 프로그래밍됩니다. 이것은 시스템이 환자 목록을 생성할 수 있게 해주며, 연구자들은 이 목록을 수동으로 확인해야 합니다. 연구자들이 새로운 질병을 연구하려면 이 과정을 다시 시작해야 합니다.

새로운 방법

새로운 방법을 사용하면 연구자들은 컴퓨터가 질병 페놀타입을 스스로 학습하도록 할 수 있습니다. 이는 연구자들의 시간과 노력을 절약합니다. Phe2vec 방법은 이전에 수행한 연구에 기반합니다.

리카르도 미오토(Riccardo Miotto) 박사는 HPIMS의 전 조교수이자 연구의 선임 저자입니다.

미오토는 “이전에는 전자건강기록에서 데이터를 마이닝하기 위한 효율적이고 효과적인 전략으로서 무감독 기계 학습을 보여주었습니다”라고 말했다. “우리의 접근 방식의 잠재적인 이점은 기계가 데이터 자체에서 질병의 표현을 학습한다는 것입니다. 따라서 기계는 전문가가 일반적으로 수행하는 작업을 수행하여 특정 질병을 가장 잘 설명하는 건강 기록의 데이터 요소 조합을 정의합니다.”

컴퓨터는 수백만 개의 전자건강기록을 살펴보고 데이터와 질병 사이의 연결을 학습하도록 프로그래밍되었습니다. 프로그래밍은 이전에 연구자들이 개발한 “임베딩” 알고리즘에 의존했습니다. 이러한 알고리즘은 다양한 언어의 단어 네트워크를 연구하는 데 사용되었습니다.

이러한 알고리즘 중 하나는 word2vec였으며, 특히 효과적이었습니다. 컴퓨터는 마운트 시나이 헬스 시스템에 저장된 약 200만 명의 환자 데이터를 식별하도록 프로그래밍되었습니다.

연구자들은 새로운 시스템과旧 시스템의 효과를 비교했으며, 테스트한 10가지 질병 중 9가지에서 Phe2vec 시스템이旧 시스템과 동일하거나 약간 더 좋은 것으로 나타났습니다. 이러한 질병에는 치매, 다발성 경화증, 적혈구 질환 등이 포함됩니다.

글릭스버그 박사는 “전반적인 결과는 권장하며, Phe2vec이 전자건강기록 데이터의 대규모 페놀타입에 대한 유망한 기술임을 시사합니다”라고 말했다. “추가 테스트와 정제를 통해 임상 정보학 연구의 초기 단계를 자동화하는 데 사용될 수 있을 것으로希望하며, 과학자들이 예측 모델링과 같은 다운스트림 분석에 집중할 수 있도록 할 것입니다.”