ကျန်းမာရေးစောင့်ရှောက်မှု
AI Algorithm သည် အီလက်ထရွန်နစ်ကျန်းမာရေးမှတ်တမ်းများမှ လူနာဒေတာများကို ဖတ်ပြီး ခန့်မှန်းပေးသည်။
Mount Sinai ရှိ Icahn ဆေးကျောင်းမှ သိပ္ပံပညာရှင်များသည် အီလက်ထရွန်းနစ်ကျန်းမာရေးမှတ်တမ်း (EHRs) မှ လူနာဒေတာများကို ဖတ်နိုင်ပြီး ကြိုတင်ခန့်မှန်းနိုင်သော၊ အလိုအလျောက် ဉာဏ်ရည်တု (AI) အခြေပြု algorithm အသစ်ကို တီထွင်ခဲ့သည်။
နည်းလမ်းသစ်ကို Phe2vec ဟုခေါ်ပြီး ၎င်းသည် အချို့သော ရောဂါဝေဒနာရှင်များကို တိကျစွာ ခွဲခြားသတ်မှတ်နိုင်သည်။ ၎င်းကို ဆောင်ရွက်ရန် လူသုံးအများဆုံး သမားရိုးကျနည်းလမ်းအတိုင်း တိကျမှန်ကန်ကြောင်း သက်သေပြခဲ့ပြီး၊ လုပ်ဆောင်ရန် လူကိုယ်တိုင် လုပ်အား ပိုမိုလိုအပ်သည်။
Benjamin S. Glicksberg, PhD, သည် မျိုးရိုးဗီဇနှင့် မျိုးရိုးဗီဇဆိုင်ရာ လက်ထောက်ပါမောက္ခဖြစ်သည်။ သူသည် Mount Sinai (HPIMS) ရှိ ဒစ်ဂျစ်တယ်ကျန်းမာရေးဆိုင်ရာ Hasso Plattner Institute ၏အဖွဲ့ဝင်တစ်ဦးဖြစ်ပြီး လေ့လာမှု၏အကြီးတန်းစာရေးဆရာလည်းဖြစ်သည်။
“လူနာရဲ့ ဆေးမှတ်တမ်းမှာ အီလက်ထရွန်နစ်နည်းနဲ့ သိမ်းဆည်းထားတဲ့ ဒေတာပမာဏနဲ့ အမျိုးအစားတွေမှာ ပေါက်ကွဲမှုတွေ ဆက်ရှိနေတယ်။ ဤရှုပ်ထွေးသောဒေတာဝဘ်ဆိုဒ်ကို ဖြုတ်ချခြင်းသည် အလွန်ဝန်ထုပ်ဝန်ပိုးဖြစ်နိုင်ပြီး လက်တွေ့သုတေသနပြုခြင်းဆိုင်ရာ တိုးတက်မှုများကို နှေးကွေးစေသည်” ဟု Glicksberg က ပြောကြားခဲ့သည်။ “ဒီလေ့လာမှုမှာ စက်မှုလုပ်ငန်းစံနှုန်းထက် ပိုမြန်ပြီး လုပ်သားပိုနည်းတဲ့ စက်သင်ယူမှုနဲ့အတူ အီလက်ထရွန်းနစ်ကျန်းမာရေးမှတ်တမ်းတွေကနေ အချက်အလက်တွေကို တူးဖော်ဖို့အတွက် နည်းလမ်းသစ်တစ်ခုကို ဖန်တီးခဲ့ပါတယ်။ ဤအရာသည် ဆေးခန်းဆိုင်ရာ အချက်အလက်ဆိုင်ရာ သုတေသနပြုမှုတွင် ပိုမိုလွယ်ကူချောမွေ့စေပြီး ဘက်လိုက်မှုနည်းပါးစေမည့် အဖိုးတန်ကိရိယာတစ်ခုဖြစ်လိမ့်မည်ဟု ကျွန်ုပ်တို့မျှော်လင့်ပါသည်။”
အဆိုပါလေ့လာမှုကို ဂျာနယ်တွင် ထုတ်ဝေခဲ့သည်။ ပုံစံများ, Dr. Glicksberg ၏ ဓာတ်ခွဲခန်းမှ ဘွဲ့ရကျောင်းသား Jessica K. De Freitas မှ ဦးဆောင်ခဲ့သည်။
လက်ရှိ Industry Standard
သိပ္ပံပညာရှင်များသည် သတင်းအချက်အလက်အသစ်အတွက် ဆေးမှတ်တမ်းများကို ထုတ်ယူရန်အတွက် တည်ထောင်ထားသော ကွန်ပျူတာပရိုဂရမ်များနှင့် အယ်လဂိုရီသမ်များအပေါ်တွင် မှီခိုနေရသည်။ Phenotype Knowledgebase (PheKB) ဟုခေါ်သော စနစ်တစ်ခုသည် ဤ algorithms များကို တီထွင်ပြီး သိမ်းဆည်းပါသည်။ ဤစနစ်သည် လူနာတစ်ဦးအား ရောဂါရှာဖွေဖော်ထုတ်ရာတွင် လွန်စွာထိရောက်မှုရှိသော်လည်း သုတေသီများသည် ဆေးမှတ်တမ်းများစွာကိုဖြတ်၍ အချက်အလက်အပိုင်းအစများကို ဦးစွာရှာဖွေရန် လိုအပ်ပါသည်။ ဤဒေတာတွင် ဓာတ်ခွဲခန်းစစ်ဆေးမှုများနှင့် ဆေးညွှန်းများကဲ့သို့သော အရာများပါဝင်သည်။
ထို့နောက် အယ်လဂိုရီသမ်ကို “phenotype” ဟုတံဆိပ်တပ်ထားသည့် ရောဂါအလိုက် ဒေတာအပိုင်းအစရှိသည့် လူနာများကို ရှာဖွေရန် ကွန်ပျူတာကို လမ်းညွှန်ရန် ပရိုဂရမ်ရေးဆွဲထားသည်။ ၎င်းသည် စနစ်အား လူနာစာရင်းကို ဖန်တီးနိုင်စေပြီး သုတေသီများက ကိုယ်တိုင်စစ်ဆေးရန် လိုအပ်သည်။ သုတေသီများသည် ရောဂါအသစ်တစ်ခုကို လေ့လာလိုပါက လုပ်ငန်းစဉ်ကို အစမှပြန်စရန် လိုအပ်သည်။
နည်းလမ်းသစ်
နည်းလမ်းသစ်ဖြင့် သုတေသီများသည် သုတေသီများကို အချိန်နှင့် အလုပ်သက်သာစေသည့် ရောဂါ phenotypes များကို မည်ကဲ့သို့ တွေ့ရှိရမည်ကို ကွန်ပျူတာအား ကိုယ်တိုင်လေ့လာနိုင်စေရန် ပံ့ပိုးပေးပါသည်။ Phe2vec နည်းလမ်းသည် အဖွဲ့မှလုပ်ဆောင်ခဲ့သော ယခင်လေ့လာမှုများအပေါ် အခြေခံထားသည်။
Riccardo Miotto, PhD သည် HPIMS မှ လက်ထောက်ပါမောက္ခဟောင်းဖြစ်ပြီး လေ့လာမှု၏အကြီးတန်းစာရေးဆရာဖြစ်သည်။
"ယခင်က၊ ကြီးကြပ်မှုမရှိသော စက်သင်ယူမှုသည် အီလက်ထရွန်းနစ်ကျန်းမာရေးမှတ်တမ်းများကို တူးဖော်ခြင်းအတွက် အလွန်ထိရောက်ပြီး ထိရောက်သောဗျူဟာတစ်ခုဖြစ်နိုင်ကြောင်း ကျွန်ုပ်တို့ပြသခဲ့သည်" ဟု Miotto မှ ပြောကြားခဲ့သည်။ “ကျွန်ုပ်တို့၏ ချဉ်းကပ်မှု၏ အလားအလာ အားသာချက်မှာ ဒေတာကိုယ်တိုင်မှ ရောဂါများ၏ ကိုယ်စားပြုမှုများကို သင်ယူနိုင်ခြင်း ဖြစ်သည်။ ထို့ကြောင့်၊ စက်သည် ရောဂါတစ်ခုခုကို အကောင်းဆုံးဖော်ပြနိုင်သည့် ကျန်းမာရေးမှတ်တမ်းများမှ ဒေတာဒြပ်စင်များကို ပေါင်းစပ်သတ်မှတ်ရန် ကျွမ်းကျင်ပညာရှင်များက ပုံမှန်လုပ်ဆောင်လေ့ရှိသည့် အလုပ်များစွာကို လုပ်ဆောင်သည်။"
ကွန်ပျူတာသည် သန်းနှင့်ချီသော အီလက်ထရွန်းနစ် ကျန်းမာရေးမှတ်တမ်းများကို ဖြတ်သန်းပြီး ဒေတာနှင့် ရောဂါများကြား ချိတ်ဆက်မှုများကို ခွဲခြားသိရှိနိုင်ပုံကို လေ့လာရန် ပရိုဂရမ်ပြုလုပ်ထားသည်။ ပရိုဂရမ်းမင်းသည် ယခင်က သုတေသီများမှလည်း တီထွင်ခဲ့သော "embedding" algorithms ပေါ်တွင် အားကိုးအားထားပြုပါသည်။ ၎င်းတို့ကို ဘာသာစကားအမျိုးမျိုးဖြင့် စကားလုံးကွန်ရက်များကို လေ့လာရန် အသုံးပြုခဲ့သည်။
ထို algorithms များထဲမှ တစ်ခုကို word2vec ဟုခေါ်ပြီး အထူးသဖြင့် ထိရောက်မှုရှိပါသည်။ ထို့နောက် Sinai Health System တွင် ဒေတာများ သိမ်းဆည်းထားသည့် လူနာပေါင်း ၂ သန်းခန့်ကို ရောဂါရှာဖွေဖော်ထုတ်ရန် ကွန်ပျူတာကို ပရိုဂရမ်ရေးဆွဲခဲ့သည်။
ထို့နောက် သုတေသီများသည် စနစ်အသစ်နှင့် အဟောင်းများ၏ ထိရောက်မှုကို နှိုင်းယှဉ်ကာ စမ်းသပ်စစ်ဆေးထားသော ရောဂါဆယ်ခုတွင် ကိုးခုအတွက် Phe2vec စနစ်သစ်သည် ရောဂါရှာဖွေဖော်ထုတ်ခြင်းအတွက် လက်ရှိ "ရွှေစံနှုန်း" phenotyping လုပ်ငန်းစဉ်ထက် အနည်းငယ်သာလွန်ကြောင်း တွေ့ရှိခဲ့သည်။ EHRs မှ ဤရောဂါများတွင် dementia၊ multiple sclerosis၊ sickle cell anemia နှင့် အခြားအရာများ ပါဝင်နိုင်သည်။
"ယေဘုယျအားဖြင့် ကျွန်ုပ်တို့၏ရလဒ်များသည် အားတက်ဖွယ်ဖြစ်ပြီး Phe2vec သည် အီလက်ထရွန်နစ်ကျန်းမာရေးမှတ်တမ်းဒေတာတွင် ရောဂါများကို အကြီးစားပုံစံရိုက်ခြင်းအတွက် အလားအလာကောင်းတစ်ခုဖြစ်ကြောင်း ဒေါက်တာ Glicksberg က ပြောကြားခဲ့သည်။ "ထပ်မံစမ်းသပ်ခြင်းနှင့် ပြုပြင်မွမ်းမံမှုနှင့်အတူ၊ လက်တွေ့သတင်းအချက်အလက်ဆိုင်ရာ သုတေသနပြုမှု၏ ကနဦးအဆင့်များစွာကို အလိုအလျောက်လုပ်ဆောင်ရန် ၎င်းကို အသုံးပြုနိုင်ရန် ကျွန်ုပ်တို့ မျှော်လင့်ထားပြီး၊ ထို့ကြောင့် သိပ္ပံပညာရှင်များအား ကြိုတင်ခန့်မှန်းမှုပုံစံကဲ့သို့ ရေအောက်ပိုင်းခွဲခြမ်းစိတ်ဖြာမှုအပေါ် ၎င်းတို့၏အားထုတ်မှုများကို အာရုံစိုက်နိုင်စေမည်ဖြစ်သည်။"
