AI algoritmas nuskaito ir numato paciento duomenis iš elektroninių sveikatos įrašų

Sinajaus kalno Icahn medicinos mokyklos mokslininkai sukūrė naują automatizuotą dirbtiniu intelektu (AI) pagrįstą algoritmą, kuris gali nuskaityti ir numatyti pacientų duomenis iš elektroninių sveikatos įrašų (EHR). 

Naujasis metodas vadinamas Phe2vec ir juo galima tiksliai nustatyti tam tikromis ligomis sergančius pacientus. Buvo įrodyta, kad jis yra toks pat tikslus kaip ir populiariausias tradicinis metodas, kuriam atlikti reikia daugiau rankų darbo.

Benjaminas S. Glicksbergas, mokslų daktaras, yra genetikos ir genomikos mokslų docentas. Jis taip pat yra Hasso Plattnerio skaitmeninės sveikatos instituto Sinajaus kalne (HPIMS) narys ir vyresnysis tyrimo autorius. 

„Ir toliau sparčiai auga elektroniniu būdu paciento medicininiuose įrašuose saugomų duomenų kiekis ir tipai. Šio sudėtingo duomenų tinklo atskyrimas gali būti labai sudėtingas, todėl sulėtėja klinikinių tyrimų pažanga“, – sakė Glicksbergas. „Šiame tyrime sukūrėme naują duomenų gavybos iš elektroninių sveikatos įrašų metodą naudojant mašininį mokymąsi, kuris yra greitesnis ir mažiau darbo reikalaujantis nei pramonės standartas. Tikimės, kad tai bus vertinga priemonė, palengvinsianti tolesnius ir mažiau šališkus klinikinės informatikos tyrimus.

Tyrimas, kuris buvo paskelbtas žurnale Raštai, vadovavo Jessica K. De Freitas, daktaro Gliksbergo laboratorijos magistrantė.

Dabartinis pramonės standartas 

Šiuo metu mokslininkai remiasi sukurtomis kompiuterinėmis programomis ir algoritmais, norėdami gauti medicininius įrašus, kad gautų naują informaciją. Sistema, vadinama fenotipų žinių baze (PheKB), kuria ir saugo šiuos algoritmus. Sistema yra labai efektyvi norint teisingai nustatyti paciento diagnozę, tačiau mokslininkai turi peržiūrėti daugybę medicininių įrašų ir pirmiausia ieškoti duomenų. Šie duomenys apima tokius dalykus kaip laboratoriniai tyrimai ir receptai. 

Tada algoritmas yra užprogramuotas taip, kad kompiuteris galėtų ieškoti pacientų, turinčių specifinių ligos duomenų, pažymėtų „fenotipu“. Tai leidžia sistemai sudaryti pacientų sąrašą, kurį vėliau tyrėjai turi patikrinti rankiniu būdu. Jei mokslininkai nori ištirti naują ligą, jie turi pradėti procesą iš naujo.

Naujasis metodas

Naudodami naują metodą, mokslininkai leidžia kompiuteriui savarankiškai išmokti atpažinti ligų fenotipus, o tai taupo mokslininkų laiką ir darbą. Phe2vec metodas buvo pagrįstas ankstesniais komandos atliktais tyrimais.

Riccardo Miotto, PhD, yra buvęs HPIMS docentas ir vyresnysis tyrimo autorius. 

"Anksčiau parodėme, kad neprižiūrimas mašininis mokymasis gali būti labai efektyvi ir efektyvi elektroninių sveikatos įrašų gavybos strategija", - sakė Miotto. „Galimas mūsų metodo pranašumas yra tai, kad jis išmoksta ligų vaizdų iš pačių duomenų. Todėl mašina atlieka daug darbo, kurį paprastai atliktų ekspertai, kad nustatytų sveikatos įrašų duomenų elementų derinį, kuris geriausiai apibūdina konkrečią ligą.

Kompiuteris buvo užprogramuotas peržiūrėti milijonus elektroninių sveikatos įrašų ir išmokti nustatyti duomenų ir ligų ryšius. Programavimas rėmėsi „įterpimo“ algoritmais, kuriuos anksčiau taip pat sukūrė mokslininkai. Jie buvo naudojami tiriant žodžių tinklus įvairiomis kalbomis.

Vienas iš tų algoritmų buvo vadinamas word2vec ir buvo ypač efektyvus. Tada kompiuteris buvo užprogramuotas nustatyti maždaug 2 milijonų pacientų, kurių duomenys buvo saugomi Sinajaus kalno sveikatos sistemoje, diagnozę.

Tada mokslininkai palygino naujų ir senų sistemų veiksmingumą ir nustatė, kad devynioms iš dešimties išbandytų ligų naujoji Phe2vec sistema buvo tokia pat veiksminga arba šiek tiek geresnė nei dabartinis „auksinio standarto“ fenotipų nustatymo procesas diagnozei nustatyti. iš EHR. Šios ligos gali būti demencija, išsėtinė sklerozė, pjautuvinė anemija ir kt.

„Apskritai mūsų rezultatai teikia vilčių ir rodo, kad Phe2vec yra daug žadantis metodas plataus masto ligų fenotipams nustatyti elektroniniuose sveikatos įrašų duomenyse“, – sakė dr. Glicksbergas. „Tikimės, kad toliau bandydami ir tobulindami jį bus galima automatizuoti daugelį pradinių klinikinių informatikos tyrimų etapų, taip leisdami mokslininkams sutelkti savo pastangas į tolesnę analizę, pavyzdžiui, nuspėjamąjį modeliavimą.