Yapay Zeka Algoritması Hasta Verilerini Elektronik Sağlık Kayıtlarından Okur ve Tahmin Eder

Mount Sinai'deki Icahn Tıp Okulu'ndaki bilim adamları, elektronik sağlık kayıtlarından (EHR'ler) hasta verilerini okuyabilen ve tahmin edebilen yeni, otomatik, yapay zeka (AI) tabanlı bir algoritma geliştirdiler. 

Yeni yöntem Phe2vec olarak adlandırılıyor ve belirli hastalıkları olan hastaları doğru bir şekilde tanımlayabiliyor. Gerçekleştirmek için daha fazla el emeği gerektiren en popüler geleneksel yöntem kadar doğru olduğu gösterildi.

Benjamin S. Glicksberg, PhD, Genetik ve Genomik Bilimler Yardımcı Doçentidir. Ayrıca Hasso Plattner Sina Dağı'ndaki Dijital Sağlık Enstitüsü'nün (HPIMS) bir üyesi ve çalışmanın kıdemli yazarlarından biridir. 

“Hastanın tıbbi kaydında elektronik olarak saklanan verilerin miktarı ve türlerinde bir patlama yaşanmaya devam ediyor. Bu karmaşık veri ağının çözülmesi son derece külfetli olabilir, dolayısıyla klinik araştırmalardaki ilerlemeler yavaşlayabilir" dedi Glicksberg. "Bu çalışmada, makine öğrenimi ile elektronik sağlık kayıtlarından veri madenciliği yapmak için endüstri standardından daha hızlı ve daha az iş gücü gerektiren yeni bir yöntem oluşturduk. Bunun klinik bilişim alanında daha fazla ve daha az önyargılı araştırmaları kolaylaştıracak değerli bir araç olacağını umuyoruz."

Dergide yayınlanan çalışma desenler, Glicksberg'in laboratuvarında yüksek lisans öğrencisi olan Jessica K. De Freitas tarafından yönetildi.

Mevcut Endüstri Standardı 

Bilim adamları şu anda yeni bilgiler için tıbbi kayıtları çıkarmak için yerleşik bilgisayar programlarına ve algoritmalara güveniyorlar. Fenotip Bilgi Bankası (PheKB) adı verilen bir sistem bu algoritmaları geliştirir ve depolar. Sistem, bir hasta teşhisini doğru bir şekilde belirlemede oldukça etkilidir, ancak araştırmacıların önce birçok tıbbi kaydı gözden geçirmesi ve veri parçalarını araması gerekir. Bu veriler, laboratuvar testleri ve reçeteler gibi şeyleri içerir. 

Algoritma daha sonra bilgisayara, "fenotip" olarak etiketlenen hastalığa özgü veri parçalarına sahip hastaları araması için rehberlik edecek şekilde programlanır. Bu, sistemin daha sonra araştırmacılar tarafından manuel olarak kontrol edilmesi gereken bir hasta listesi oluşturmasını sağlar. Araştırmacılar yeni bir hastalık üzerinde çalışmak isterlerse, süreci yeniden başlatmaları gerekir.

Yeni Yöntem

Yeni yöntemle araştırmacılar, bilgisayarın hastalık fenotiplerini nasıl tespit edeceğini kendi kendine öğrenmesini sağlayarak araştırmacılara zaman ve iş tasarrufu sağlıyor. Phe2vec yöntemi, ekibin yürüttüğü önceki çalışmalara dayanıyordu.

Riccardo Miotto, PhD, HPIMS'de eski bir Yardımcı Doçent ve çalışmanın kıdemli yazarıdır. 

Miotto, "Daha önce, denetimsiz makine öğreniminin elektronik sağlık kayıtlarının madenciliği için oldukça verimli ve etkili bir strateji olabileceğini göstermiştik" dedi. "Yaklaşımımızın potansiyel avantajı, hastalıkların temsillerini verilerin kendisinden öğrenmesidir. Bu nedenle, makine, uzmanların normalde belirli bir hastalığı en iyi tanımlayan sağlık kayıtlarından veri öğeleri kombinasyonunu tanımlamak için yapacağı işin çoğunu yapıyor.”

Bilgisayar, milyonlarca elektronik sağlık kaydını inceleyecek ve veriler ile hastalıklar arasındaki bağlantıları nasıl belirleyeceğini öğrenecek şekilde programlandı. Programlama, daha önce araştırmacılar tarafından geliştirilen "yerleştirme" algoritmalarına dayanıyordu. Bunlar, çeşitli dillerdeki kelime ağlarını incelemek için kullanıldı.

Bu algoritmalardan birine word2vec adı verildi ve özellikle etkiliydi. Bilgisayar daha sonra verileri Mount Sinai Sağlık Sisteminde saklanan yaklaşık 2 milyon hastanın teşhisini belirlemek üzere programlandı.

Araştırmacılar daha sonra yeni ve eski sistemlerin etkinliğini karşılaştırdılar ve test edilen on hastalıktan dokuzu için yeni Phe2vec sisteminin teşhisi belirlemede mevcut "altın standart" fenotipleme süreci kadar etkili veya biraz daha iyi olduğunu buldular. EHR'lerden. Bu hastalıklar demans, multipl skleroz, orak hücreli anemi ve daha fazlasını içerebilir.

Glicksberg, "Genel olarak sonuçlarımız cesaret verici ve Phe2vec'in elektronik sağlık kaydı verilerinde hastalıkların büyük ölçekli fenotiplemesi için umut verici bir teknik olduğunu öne sürüyor" dedi. "Daha fazla test ve iyileştirme ile, klinik bilişim araştırmalarının ilk adımlarının çoğunu otomatikleştirmek için kullanılabileceğini ve böylece bilim adamlarının çabalarını tahmine dayalı modelleme gibi aşağı yönlü analizlere odaklamalarına olanak tanıyacağını umuyoruz."