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

Mount Sinai Tıp Fakültesi’ndeki 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 adlandırılmaktadır ve belirli hastalıklara sahip hastaları doğru bir şekilde tanımlayabilmektedir. En popüler geleneksel yöntemle aynı derecede doğru olduğu kanıtlanmıştır ve bu yöntem daha fazla manuel emek gerektirir.

Benjamin S. Glicksberg, PhD, Genetik ve Genomik Bilimler Yardımcı Profesörüdür. Ayrıca Mount Sinai’deki Hasso Plattner Dijital Sağlık Enstitüsü (HPIMS) üyesi ve çalışmanın kıdemli yazarıdır.

“Hasta kayıtlarında depolanan veri miktarı ve türleri patlamaktadır. Bu karmaşık veri ağını çözmek son derece zor olabilir ve bu da klinik araştırmalardaki ilerlemeyi yavaşlatabilir” dedi Glicksberg. “Bu çalışmada, makine öğrenimi ile elektronik sağlık kayıtlarından veri madenciliği için yeni bir yöntem oluşturduk. Bu yöntem, endüstri standardından daha hızlı ve daha az emek yoğun olacak. Umarız ki bu, klinik bilişim araştırmalarında daha fazla ve daha az önyargılı araştırmalara olanak sağlayacak değerli bir araç olacaktır.”

Çalışma, Patterns dergisinde yayımlandı ve Dr. Glicksberg’in laboratuvarındaki yüksek lisans öğrencisi Jessica K. De Freitas tarafından yürütüldü.

Mevcut Endüstri Standardı

Bilim adamları, yeni bilgiler çıkarmak için kurulan bilgisayar programları ve algoritmalarına güvenmektedir. Fenotip Bilgi Tabanı (PheKB) olarak adlandırılan bir sistem, bu algoritmaları geliştirir ve depolar. Sistem, hasta tanısını doğru bir şekilde tanımlamakta son derece etkili olmakla birlikte, araştırmacıların önce birçok tıbbi kaydı incelemesi ve laboratuvar testleri, reçeteler gibi verileri araması gerekir.

Algoritma, hastalara özgü verileri içeren “fenotip” olarak adlandırılan verileri aramak için bilgisayara rehberlik eder. Bu, sistemin hasta listesi oluşturmasına olanak sağlar, ancak bu liste daha sonra araştırmacılar tarafından manuel olarak kontrol edilmelidir. Araştırmacılar yeni bir hastalık hakkında nghiênirse, süreci yeniden başlatmak zorundadırlar.

Yeni Yöntem

Yeni yöntemle, araştırmacılar bilgisayara, hastalık fenotiplerini kendiliğinden öğrenmesini sağlar, bu da araştırmacılara zaman ve emek tasarrufu sağlar. Phe2vec yöntemi, ekibin daha önce yaptığı çalışmalar temel alınarak geliştirilmiştir.

Riccardo Miotto, PhD, HPIMS’in eski Yardımcı Profesörü ve çalışmanın kıdemli yazarıdır.

“Önceki çalışmamızda, gözetimsiz makine öğreniminin elektronik sağlık kayıtlarından veri madenciliği için son derece verimli ve etkili bir strateji olabileceğini gösterdik” dedi Miotto. “Yaklaşımımızın potansiyel avantajı, hastalıkların temsilini veriden kendisi öğrenmesidir. Bu nedenle, makine, uzmanların normalde bir hastalığın tanımını yapmak için sağlık kayıtlarından veri öğelerini birleştirmek için yaptığı çok iş yapar.”

Bilgisayar, milyonlarca elektronik sağlık kaydını incelemeye ve verileri hastalıklarla bağlantılı olarak öğrenmeye programlandı. Programlama, daha önce araştırmacılar tarafından geliştirilen “gömme” algoritmalarına dayanıyordu. Bunlar, çeşitli dillerdeki kelime ağlarını incelemek için kullanılmıştı.

Bu algoritmaların biri word2vec olarak adlandırılmaktaydı ve özellikle etkiliydi. Bilgisayar, Mount Sinai Sağlık Sisteminde depolanan yaklaşık 2 milyon hastanın tanısını belirlemek için programlandı.

Araştırmacılar, yeni ve eski sistemlerin etkinliğini karşılaştırdılar ve test edilen on hastalığın dokuzunda, yeni Phe2vec sistemi, mevcut “altın standart” fenotipleme işleminin hastalıkları elektronik sağlık kayıtlarından tanımlamak için aynı derecede etkili veya biraz daha iyi olduğunu buldular. Bu hastalıklar arasında demans, multipl skleroz, orak hücre anemisi ve daha fazlası bulunabilir.

“Genel olarak sonuçlarımız umut verici ve Phe2vec’in elektronik sağlık kayıt verisinden hastalıkların büyük ölçekli fenotipleme için vaadedici bir teknik olabileceğini gösteriyor” dedi Dr. Glicksberg. “Daha fazla test ve rafine ile umuyoruz ki bu, klinik bilişim araştırmalarının ilk adımlarının otomasyonuna olanak sağlayacak ve bilim adamlarınınpredictive modelleme gibi aşağı akış analizlerine odaklanmalarına izin verecektir.”