Algoritmo de IA lê e prevê dados de pacientes a partir de registros eletrônicos de saúde

Cientistas da Escola de Medicina Icahn em Mount Sinai desenvolveram um novo algoritmo baseado em inteligência artificial (IA) automatizado que pode ler e prever dados de pacientes a partir de registros eletrônicos de saúde (EHRs). 

O novo método é chamado Phe2vec e pode identificar com precisão pacientes com certas doenças. Foi demonstrado que é tão preciso quanto o método tradicional mais popular, que requer mais trabalho manual para ser executado.

Benjamin S. Glicksberg, PhD, é Professor Assistente de Genética e Ciências Genômicas. Ele também é membro do Hasso Plattner Institute for Digital Health at Mount Sinai (HPIMS) e autor sênior do estudo. 

“Continua a haver uma explosão na quantidade e nos tipos de dados armazenados eletronicamente no prontuário médico de um paciente. Desemaranhar esta complexa rede de dados pode ser altamente oneroso, retardando assim os avanços na investigação clínica”, disse Glicksberg. “Neste estudo, criamos um novo método para extrair dados de registros eletrônicos de saúde com aprendizado de máquina que é mais rápido e menos trabalhoso do que o padrão da indústria. Esperamos que esta seja uma ferramenta valiosa que facilite pesquisas futuras e menos tendenciosas em informática clínica.”

O estudo, que foi publicado na revista padrões, foi liderado por Jessica K. De Freitas, uma estudante de pós-graduação no laboratório do Dr. Glicksberg.

Padrão atual da indústria 

Os cientistas atualmente contam com programas de computador e algoritmos estabelecidos para extrair registros médicos para novas informações. Um sistema chamado Phenotype Knowledgebase (PheKB) desenvolve e armazena esses algoritmos. O sistema é altamente eficaz na identificação correta do diagnóstico de um paciente, mas os pesquisadores são obrigados a examinar muitos registros médicos e procurar primeiro por partes dos dados. Esses dados incluem coisas como testes de laboratório e prescrições. 

O algoritmo é então programado para guiar o computador na busca de pacientes com dados específicos de doenças, que são rotulados como “fenótipo”. Isso permite que o sistema crie uma lista de pacientes, que precisa ser verificada manualmente pelos pesquisadores. Se os pesquisadores querem estudar uma nova doença, eles são obrigados a recomeçar o processo.

O novo método

Com o novo método, os pesquisadores permitem que o computador aprenda a identificar fenótipos de doenças, o que economiza tempo e trabalho dos pesquisadores. O método Phe2vec foi baseado em estudos anteriores realizados pela equipe.

Riccardo Miotto, PhD, é ex-professor assistente do HPIMS e autor sênior do estudo. 

“Anteriormente, mostramos que o aprendizado de máquina não supervisionado pode ser uma estratégia altamente eficiente e eficaz para a mineração de registros eletrônicos de saúde”, disse Miotto. “A vantagem potencial de nossa abordagem é que ela aprende representações de doenças a partir dos próprios dados. Portanto, a máquina faz muito do trabalho que os especialistas normalmente fariam para definir a combinação de elementos de dados dos registros de saúde que melhor descrevem uma doença específica”.

O computador foi programado para examinar milhões de registros eletrônicos de saúde e aprender a identificar conexões entre dados e doenças. A programação contou com algoritmos de “embedding”, que também foram desenvolvidos anteriormente pelos pesquisadores. Estes foram usados ​​para estudar redes de palavras em vários idiomas.

Um desses algoritmos foi chamado word2vec e foi especialmente eficaz. O computador foi então programado para identificar o diagnóstico de cerca de 2 milhões de pacientes cujos dados estavam armazenados no Mount Sinai Health System.

Os pesquisadores então compararam a eficácia dos sistemas novos e antigos e descobriram que, para nove das dez doenças testadas, o novo sistema Phe2vec era tão eficaz, ou um pouco melhor, do que o atual processo de fenotipagem “padrão ouro” para identificar o diagnóstico. de EHRs. Essas doenças podem incluir demência, esclerose múltipla, anemia falciforme e muito mais.

“No geral, nossos resultados são encorajadores e sugerem que Phe2vec é uma técnica promissora para fenotipagem em grande escala de doenças em dados de registros eletrônicos de saúde”, disse o Dr. Glicksberg. “Com mais testes e refinamento, esperamos que ele possa ser usado para automatizar muitas das etapas iniciais da pesquisa de informática clínica, permitindo que os cientistas concentrem seus esforços em análises posteriores, como a modelagem preditiva.”