Алгоритм ИИ читает и предсказывает данные пациентов из электронных медицинских карт

Ученые в Икаhnской медицинской школе при Маунт-Синай разработали новый, автоматизированный алгоритм на основе искусственного интеллекта (ИИ), который может читать и предсказывать данные пациентов из электронных медицинских карт (ЭМК).

Новый метод называется Phe2vec, и он может точно определять пациентов с определенными заболеваниями. Он был продемонстрирован как столь же точный, как и наиболее популярный традиционный метод, который требует больше ручного труда для выполнения.

Бенджамин С. Гликсберг, PhD, является доцентом генетики и геномных наук. Он также является членом Института цифрового здравоохранения Хассо Платтнера при Маунт-Синай (HPIMS) и старшим автором исследования.

“Продолжается взрыв количества и типов данных, хранящихся в электронной медицинской карте пациента. Распутывание этой сложной сети данных может быть очень трудоемким, что замедляет достижения в клинических исследованиях”, – сказал Гликсберг. “В этом исследовании мы создали новый метод для извлечения данных из электронных медицинских карт с помощью машинного обучения, который быстрее и менее трудоемкий, чем отраслевой стандарт. Мы надеемся, что это будет ценный инструмент, который будет способствовать дальнейшим, и менее предвзятым, исследованиям в клинической информатике”.

Исследование, опубликованное в журнале Patterns, было возглавлено Джессикой К. Де Фрейтас, аспиранткой в лаборатории доктора Гликсберга.

Текущий отраслевой стандарт

Ученые в настоящее время полагаются на установленные компьютерные программы и алгоритмы для извлечения медицинских записей для новой информации. Система под названием Phenotype Knowledgebase (PheKB) разрабатывает и хранит эти алгоритмы. Система очень эффективна в правильной идентификации диагноза пациента, но исследователям необходимо просмотреть многие медицинские записи и найти фрагменты данных сначала. Эти данные включают такие вещи, как лабораторные тесты и рецепты.

Алгоритм затем запрограммирован на то, чтобы направлять компьютер на поиск пациентов, у которых есть данные, специфичные для заболевания, которые обозначаются как “фенотип”. Это позволяет системе создать список пациентов, который затем необходимо проверить вручную исследователям. Если исследователи хотят изучить новое заболевание, им необходимо начать процесс заново.

Новый метод

С новым методом исследователи позволяют компьютеру самостоятельно учиться определять фенотипы заболеваний, что экономит время и труд исследователей. Метод Phe2vec был основан на предыдущих исследованиях, проведенных командой.

Риккардо Мьотто, PhD, является бывшим доцентом HPIMS и старшим автором исследования.

“Ранее мы показали, что машинное обучение без учителя может быть очень эффективной и эффективной стратегией для извлечения данных из электронных медицинских карт”, – сказал Мьотто. “Потенциальное преимущество нашего подхода заключается в том, что он учит представления заболеваний из самих данных. Следовательно, машина выполняет большую часть работы, которую обычно выполняют эксперты для определения комбинации данных из медицинских карт, которые лучше всего описывают конкретное заболевание”.

Компьютер был запрограммирован на то, чтобы просмотреть миллионы электронных медицинских карт и научиться определять связи между данными и заболеваниями. Программирование основывалось на алгоритмах “встраивания”, которые также были ранее разработаны исследователями. Они использовались для изучения сетей слов в различных языках.

Один из этих алгоритмов назывался word2vec, и он был особенно эффективным. Компьютер был затем запрограммирован на то, чтобы определить диагноз около 2 миллионов пациентов, чьи данные были хранятся в системе здравоохранения Маунт-Синай.

Исследователи затем сравнили эффективность новых и старых систем и обнаружили, что для девяти из десяти заболеваний, протестированных системой Phe2vec, она была столь же эффективной или немного лучше, чем текущий “золотой стандарт” фенотипирования для определения диагноза из ЭМК. Эти заболевания могут включать деменцию, рассеянный склероз, серповидноклеточную анемию и многое другое.

“В целом наши результаты обнадеживают и предполагают, что Phe2vec является перспективным методом для крупномасштабного фенотипирования заболеваний в электронных медицинских картах”, – сказал доктор Гликсберг. “С дальнейшим тестированием и усовершенствованием мы надеемся, что оно может быть использовано для автоматизации многих начальных шагов клинических исследований информатики, что позволит ученым сосредоточиться на анализах, таких как прогностическое моделирование”.