Algorytm AI odczytuje i przewiduje dane pacjentów z elektronicznych kart medycznych

Naukowcy ze Szkoły Medycznej Icahn na Mount Sinai opracowali nowy, zautomatyzowany algorytm oparty na sztucznej inteligencji (AI), który może odczytywać i przewidujeć dane pacjentów z elektronicznych kart medycznych (EHR).

Nowa metoda nosi nazwę Phe2vec i może dokładnie identyfikować pacjentów z określonymi chorobami. Okazała się równie dokładna jak najpopularniejsza tradycyjna metoda, która wymaga więcej ręcznej pracy.

Benjamin S. Glicksberg, PhD, jest adiunktem na Wydziale Genetyki i Nauk Genomicznych. Jest również członkiem Instytutu Hasso Plattnera dla Zdrowia Cyfrowego na Mount Sinai (HPIMS) i seniorem autorem badania.

“Wciąż obserwujemy eksplozję ilości i rodzajów danych przechowywanych elektronicznie w kartach medycznych pacjentów. Rozplątywanie tej złożonej sieci danych może być bardzo uciążliwe, co spowalnia postępy w badaniach klinicznych”, powiedział Glicksberg. “W tym badaniu stworzyliśmy nową metodę wydobywania danych z elektronicznych kart medycznych przy użyciu uczenia maszynowego, która jest szybsza i mniej pracochłonna niż standard branżowy. Mamy nadzieję, że będzie to cenna narzędzie, które ułatwi dalsze, i mniej tendencyjne, badania w dziedzinie informacji klinicznej”.

Badanie, które zostało opublikowane w czasopiśmie Patterns, zostało poprowadzone przez Jessicę K. De Freitas, studentkę w laboratorium dr. Glicksberga.

Obecny standard branżowy

Naukowcy obecnie polegają na ustanowionych programach komputerowych i algorytmach w celu wyodrębnienia kart medycznych w poszukiwaniu nowych informacji. System zwany Phenotype Knowledgebase (PheKB) rozwija i przechowuje te algorytmy. System jest bardzo skuteczny w poprawnej identyfikacji diagnozy pacjenta, ale badacze muszą najpierw przejrzeć wiele kart medycznych i wyszukać fragmenty danych. Dane te obejmują rzeczy takie jak badania laboratoryjne i recepty.

Algorytm jest następnie zaprogramowany w taki sposób, aby skierować komputer do wyszukiwania pacjentów, którzy mają określone fragmenty danych, które są oznaczone jako “fenotyp”. To pozwala systemowi utworzyć listę pacjentów, którą następnie należy ręcznie sprawdzić przez badaczy. Jeśli badacze chcą zbadać nową chorobę, muszą rozpocząć proces od nowa.

Nowa metoda

Z nową metodą badacze pozwalają komputerowi samemu nauczyć się, jak rozpoznać fenotypy chorób, co oszczędza badaczom czasu i pracy. Metoda Phe2vec była oparta na wcześniejszych badaniach przeprowadzonych przez zespół.

Riccardo Miotto, PhD, jest byłym adiunktem w HPIMS i seniorem autorem badania.

“Wcześniej udowodniliśmy, że nienadzorowane uczenie maszynowe może być bardzo wydajną i skuteczną strategią dla wydobywania danych z elektronicznych kart medycznych”, powiedział Miotto. “Potencjalną zaletą naszego podejścia jest to, że uczy się ono reprezentacji chorób z samych danych. Dlatego też maszyna wykonuje wiele pracy, którą normalnie wykonują eksperci, aby zdefiniować kombinację elementów danych z kart medycznych, które najlepiej opisują daną chorobę”.

Komputer został zaprogramowany w taki sposób, aby przeszukał miliony elektronicznych kart medycznych i nauczyć się, jak identyfikować połączenia między danymi a chorobami. Programowanie opierało się na algorytmach “embedding”, które również zostały wcześniej opracowane przez badaczy. Zostały one użyte do badania sieci słów w różnych językach.

Jeden z tych algorytmów nosił nazwę word2vec i okazał się szczególnie skuteczny. Komputer został następnie zaprogramowany w taki sposób, aby zidentyfikować diagnozę około 2 milionów pacjentów, których dane były przechowywane w systemie zdrowia Mount Sinai.

Badacze porównali skuteczność nowej i starej metody i stwierdzili, że dla dziewięciu na dziesięć chorób testowanych nowy system Phe2vec był równie skuteczny lub nieznacznie lepszy niż obecny “złoty standard” procesu fenotypowania w celu identyfikacji diagnozy z EHR. Choroby te mogą obejmować demencję, stwardnienie rozsiane, anemię sierpowatą i wiele innych.

“Ogólnie nasze wyniki są zachęcające i sugerują, że Phe2vec jest obiecującą techniką dla dużych skal fenotypowania chorób w danych z elektronicznych kart medycznych”, powiedział dr Glicksberg. “Z dalszym testowaniem i udoskonaleniem mamy nadzieję, że może być używany do zautomatyzowania wielu początkowych kroków badań informacji klinicznej, co pozwoli naukowcom skoncentrować się na dalszych analizach, takich jak modelowanie predykcyjne”.