Преобразование, основанное на ИИ, в парсинге клинических документов: Улучшение диагностики сердечной недостаточности

Генеративный ИИ готов революционизировать здравоохранение множеством способов, включая парсинг клинических документов.

В недавнем прорыве в диагностике сердечной недостаточности с помощью анализа эхокардиограмм продемонстрирован значительный потенциал технологий, основанных на ИИ, для преобразования интерпретации медицинских данных и ухода за пациентами.

Проблема современного здравоохранения

Парсинг клинических документов представляет значительные проблемы в здравоохранении, особенно для сложных отчетов, таких как эхокардиограммы, которые имеют решающее значение для диагностики сердечных заболеваний. Эти документы содержат важные данные, такие как значения фракции выброса (ФВ) для диагностики сердечной недостаточности, что означает, что эффективный и точный парсинг отчетов является важной задачей. Однако,
густая смесь медицинской терминологии, аббревиатур, данных, специфичных для пациента, и неструктурированных нарративов, графиков и таблиц делают эти документы трудными для последовательной интерпретации. Это создает непомерную нагрузку на клиницистов, которые уже ограничены во времени, и увеличивает риск человеческих ошибок в уходе за пациентами и ведении записей.

Прорывной подход

Генеративный ИИ предлагает трансформационное решение проблем парсинга клинических документов. Он может автоматизировать извлечение и структурирование сложных медицинских данных из неструктурированных документов, значительно повышая точность и эффективность. Например, новое исследование ввело систему, основанную на ИИ, которая использует предварительно обученную модель трансформера, адаптированную для задачи экстрактивных вопросов и ответов (QA). Эта модель, дообученная на наборе данных, аннотированном эхокардиограммами, демонстрирует замечательную эффективность в извлечении значений ФВ – ключевого маркера диагностики сердечной недостаточности.

Эта технология адаптируется к конкретной медицинской терминологии и учится со временем, обеспечивая настройку и постоянное улучшение. Кроме того, она экономит клиницистам значительное количество времени, позволяя им сосредоточиться на уходе за пациентами, а не на административных задачах.

Сила настраиваемых данных

Многие из недавних прорывов в генеративном ИИ можно отнести к новаторской архитектуре модели, известной как «трансформеры». В отличие от более ранних моделей, которые обрабатывали текст в линейных последовательностях, трансформеры могут анализировать целые блоки текста одновременно, обеспечивая более глубокое и нюансированное понимание языка.

Предварительно обученные трансформеры являются отличной отправной точкой для систем, которые включают эту технологию. Эти модели обширно обучены на больших и разнообразных языковых наборах данных, что позволяет им развить широкое понимание общих языковых закономерностей и структур.

Однако предварительно обученные трансформеры затем необходимо дообучить для специализированных нишевых задач и отраслевых требований с помощью процесса, называемого дообучением. Дообучение включает в себя взятие предварительно обученного трансформера и дополнительное обучение его на конкретном наборе данных, актуальном для конкретной задачи или области. Это дополнительное обучение позволяет модели адаптироваться к уникальным лингвистическим характеристикам, терминологии и текстовым структурам, специфичным для этой области. В результате дообученные трансформеры становятся более эффективными и точными в обработке специализированных задач, предлагая повышенную производительность и актуальность в областях, начиная от здравоохранения и заканчивая финансами, юридическими и другими.

Например, предварительно обученная модель трансформера, оснащенная широким пониманием языковых структур, может не изначально понимать нюансы и специфическую терминологию, используемую в эхокардиограммах. Дообучив ее на целевом наборе данных эхокардиограмм, модель может адаптироваться к уникальным лингвистическим закономерностям, техническим терминам и форматам отчетов, типичным для кардиологии. Эта специфика позволяет модели точно извлекать и интерпретировать важную информацию из отчетов, такую как измерения сердечных камер, функции клапанов и фракции выброса. На практике это помогает медицинским специалистам принимать более обоснованные решения, улучшая уход за пациентами и потенциально спасая жизни. Кроме того, такая специализированная модель может оптимизировать эффективность рабочих процессов, автоматизируя извлечение критических данных, снижая время ручного обзора и минимизируя риск человеческой ошибки при интерпретации данных.

Исследование выше четко демонстрирует влияние дообучения на пользовательский набор данных через результаты на MIMIC-IV-Note, публичном клиническом наборе данных. Одним из ключевых результатов экспериментов было снижение на 90% чувствительности к разным подсказкам, достигнутое с помощью дообучения, измеренное стандартным отклонением метрик оценки (точность точного совпадения и балансированный показатель F1) для трех разных версий одного и того же вопроса: «Какова фракция выброса?» «Какой процент ФВ?» и «Какова систолическая функция?»

Влияние на клинические рабочие процессы

Парсинг клинических документов, основанный на ИИ, может значительно оптимизировать клинические рабочие процессы. Технология автоматизирует извлечение и анализ важных данных из медицинских документов, таких как записи пациентов и результаты тестов, и снижает необходимость ручного ввода данных. Это снижение ручных задач улучшает точность данных и позволяет клиницистам тратить больше времени на уход за пациентами и принятие решений. Способность ИИ понимать сложные медицинские термины и извлекать актуальную информацию приводит к лучшим результатам для пациентов, обеспечивая более быстрый и всесторонний анализ истории и состояния пациентов. В клинических условиях эта технология ИИ была трансформационной, экономя более 1 500 часов в год и повышая эффективность предоставления медицинской помощи, позволяя клиницистам сосредоточиться на важных аспектах ухода за пациентами.

Клиницист в цикле: Сбалансирование ИИ и человеческой экспертизы

Хотя ИИ значительно оптимизирует управление информацией, человеческая экспертиза и анализ остаются важными для обеспечения отличного ухода за пациентами.

Концепция «клинициста в цикле» является неотъемлемой частью нашей модели парсинга клинических документов, сочетающей технологическую эффективность ИИ с важными знаниями медицинских специалистов. Этот подход включает в себя представление окончательного результата парсинга клиницисту в виде четко аннотированного/подсвеченного документа. Этот совместный системный подход обеспечивает высокую точность парсинга документов и облегчает постоянное улучшение модели через обратную связь клиницистов. Такое взаимодействие приводит к прогрессивному улучшению производительности ИИ.

Хотя модель ИИ значительно снижает время, потраченное на навигацию по платформе электронных медицинских записей и анализ документа, участие клинициста имеет решающее значение для обеспечения точности и этического применения технологии. Их роль в надзоре за интерпретациями ИИ гарантирует, что окончательные решения отражают сочетание передовой обработки данных и опытной медицинской экспертизы, тем самым укрепляя безопасность пациентов и доверие клиницистов к системе.

Принятие ИИ в здравоохранении

Когда мы движемся вперед, интеграция ИИ в клинические условия, вероятно, станет более распространенной. Это исследование подчеркивает трансформационный потенциал ИИ в здравоохранении и дает представление о будущем, где технология и медицина объединяются, чтобы существенно принести пользу обществу. Полное исследование можно получить здесь на arxiv.