Algoritmul de inteligență artificială citește și prezice datele pacienților din registrele electronice de sănătate

Oamenii de știință de la Școala de Medicină Icahn de la Mount Sinai au dezvoltat o nouă metodă, automatizată, bazată pe inteligență artificială (IA), care poate citi și prezice datele pacienților din registrele electronice de sănătate (EHR).

Noua metodă se numește Phe2vec și poate identifica cu acuratețe pacienții cu anumite boli. A fost demonstrat că este la fel de precis ca și metoda tradițională cea mai populară, care necesită mai multă muncă manuală pentru a fi realizată.

Benjamin S. Glicksberg, PhD, este asistent profesor de genetică și științe genomice. El este, de asemenea, membru al Institutului Hasso Plattner pentru Sănătate Digitală de la Mount Sinai (HPIMS) și autor senior al studiului.

“Există o explozie a cantității și tipurilor de date stocate electronic în dosarul medical al unui pacient. Dezlegarea acestei rețele complexe de date poate fi foarte obositoare, încetinită și, prin urmare, încetinind progresul cercetării clinice”, a spus Glicksberg. “În acest studiu, am creat o nouă metodă pentru extragerea datelor din registrele electronice de sănătate cu ajutorul învățării automatizate, care este mai rapidă și mai puțin solicitantă decât standardul actual din industrie. Sperăm că aceasta va fi un instrument valoros care va facilita cercetarea ulterioară, mai puțin influențată, în domeniul informaticii clinice”.

Studiul, care a fost publicat în revista Patterns, a fost condus de Jessica K. De Freitas, studentă doctorală în laboratorul dr. Glicksberg.

Standardul actual din industrie

Oamenii de știință se bazează în prezent pe programe și algoritmi de calculator stabilite pentru a extrage dosarele medicale pentru informații noi. Un sistem numit Baza de cunoștințe a fenotipurilor (PheKB) dezvoltă și stochează aceste algoritmi. Sistemul este foarte eficient în identificarea corectă a diagnosticului unui pacient, dar cercetătorii trebuie să parcurgă multe dosare medicale și să caute fragmente de date, cum ar fi teste de laborator și rețete.

Algoritmul este apoi programat pentru a ghida calculatorul să caute pacienții care au fragmente de date specifice bolii, care sunt etichetate ca “fenotip”. Acest lucru permite sistemului să creeze o listă de pacienți, care trebuie apoi verificată manual de către cercetători. Dacă cercetătorii doresc să studieze o boală nouă, ei trebuie să reia procesul de la început.

Noua metodă

Cu noua metodă, cercetătorii permit calculatorului să învețe singur cum să identifice fenotipurile bolilor, ceea ce economisește timp și muncă pentru cercetători. Metoda Phe2vec a fost bazată pe studii anterioare efectuate de echipă.

Riccardo Miotto, PhD, este fost asistent profesor la HPIMS și autor senior al studiului.

“Anterior, am demonstrat că învățarea automatizată nesupervizată poate fi o strategie foarte eficientă și eficace pentru extragerea datelor din registrele electronice de sănătate”, a spus Miotto. “Avantajul potențial al abordării noastre este că învață reprezentări ale bolilor din datele însele. Prin urmare, calculatorul face mult din munca pe care experții ar face-o în mod normal pentru a defini combinația de elemente de date din dosarele medicale care descriu cel mai bine o anumită boală”.

Calculatorul a fost programat pentru a parcurge milioane de dosare medicale electronice și a învăța cum să identifice legăturile dintre date și boli. Programarea s-a bazat pe algoritmi de “încorporare”, care fuseseră dezvoltate anterior de către cercetători. Aceștia fuseseră utilizați pentru a studia rețelele de cuvinte în diferite limbi.

Unul dintre acești algoritmi se numea word2vec și a fost deosebit de eficient. Calculatorul a fost apoi programat pentru a identifica diagnosticul a aproximativ 2 milioane de pacienți ale căror date erau stocate în Sistemul de Sănătate Mount Sinai.

Cercetătorii au comparat apoi eficacitatea noii și vechi metode și au constatat că, pentru nouă din zece boli testate, noul sistem Phe2vec a fost la fel de eficient sau puțin mai bun decât procesul actual de fenotipare “gold standard” pentru identificarea diagnosticului din EHR. Aceste boli ar putea include demența, scleroza multiplă, anemia falciformă și altele.

“În general, rezultatele noastre sunt încurajatoare și sugerează că Phe2vec este o tehnică promițătoare pentru fenotiparea pe scară largă a bolilor în datele din registrele electronice de sănătate”, a spus dr. Glicksberg. “Cu testarea și rafinarea ulterioară, sperăm că ar putea fi utilizat pentru a automatiza multe dintre pașii inițiali ai cercetării informaticii clinice, permițând astfel oamenilor de știință să-și concentreze eforturile asupra analizelor ulterioare, cum ar fi modelarea predictivă”.