Алгоритм штучного інтелекту читає та передбачає дані пацієнтів з електронних медичних записів

Учені в Медичній школі Ікахна у Маунт-Синай розробили новий, автоматизований алгоритм штучного інтелекту (AI), який може читати та передбачати дані пацієнтів з електронних медичних записів (ЕМЗ).

Новий метод називається Phe2vec, і він може точно ідентифікувати пацієнтів з певними захворюваннями. Він був продемонстрований як такий же точний, як і найпопулярніший традиційний метод, який вимагає більш ручної праці для виконання.

Бенджамін С. Гліксберг, PhD, є помічником професора генетики та геномних наук. Він також є членом Інституту цифрового здоров’я імені Хассо Платтнера у Маунт-Синай (HPIMS) і старшим автором дослідження.

“Є вибух кількості та типів даних, які електронно зберігаються в медичній картці пацієнта. Розпутування цієї складної мережі даних може бути дуже трудомістким, що сповільнює розвиток клінічних досліджень”, – сказав Гліксберг. “У цьому дослідженні ми створили новий метод для видобування даних з електронних медичних записів за допомогою машинного навчання, який є швидшим і менш трудомістким, ніж галузевий стандарт. Ми сподіваємося, що це буде цінний інструмент, який полегшить подальші, і менш упереджені, дослідження в клінічній інформатиці”.

Дослідження, яке було опубліковане в журналі Patterns, було очолене Джессікою К. Де Фрейтас, аспіранткою в лабораторії доктора Гліксберга.

Поточний галузевий стандарт

Учені зараз покладаються на встановлені комп’ютерні програми та алгоритми для видобування медичних записів для нової інформації. Система, яка називається Базою знань фенотипів (PheKB), розробляє та зберігає ці алгоритми. Система є дуже ефективною в правильній ідентифікації діагнозу пацієнта, але дослідникам потрібно пройти через багато медичних записів і шукати частини даних спочатку. Ці дані включають речі, такі як лабораторні тести та рецепти.

Алгоритм потім програмується для指导 комп’ютера шукати пацієнтів, які мають захворювання-специфічні частини даних, які позначаються як “фенотип”. Це дозволяє системі створити список пацієнтів, який потім потрібно ручно перевірити дослідниками. Якщо дослідники хочуть вивчити нове захворювання, їм потрібно почати процес спочатку.

Новий метод

З новим методом дослідники дозволяють комп’ютеру самому вчитися, як розпізнавати захворювання-фенотипи, що економить час і працю дослідникам. Метод Phe2vec був заснований на попередніх дослідженнях, проведених командою.

Ріккардо Міотто, PhD, є колишнім помічником професора в HPIMS і старшим автором дослідження.

“Раніше ми показали, що машинне навчання без нагляду може бути дуже ефективною та ефективною стратегією для видобування електронних медичних записів”, – сказав Міотто. “Потенційна перевага нашого підходу полягає в тому, що він вчиться представлення захворювань з самих даних. Тому машина робить більшу частину роботи, яку експерти звичайно роблять для визначення комбінації даних елементів з медичних записів, які найкраще описують певне захворювання”.

Комп’ютер був програмований для проходження мільйонів електронних медичних записів і навчання розпізнаванню зв’язків між даними та захворюваннями. Програмування залежало від “ембеддингових” алгоритмів, які також були раніше розроблені дослідниками. Вони були використані для вивчення мереж слів у різних мовах.

Одним з цих алгоритмів був алгоритм word2vec, який був особливо ефективним. Комп’ютер був потім програмований для визначення діагнозу близько 2 мільйонів пацієнтів, дані яких були збережені в системі охорони здоров’я Маунт-Синай.

Дослідники потім порівняли ефективність нового та старого систем, і вони виявили, що для дев’яти з десяти захворювань, які були протестовані, нова система Phe2vec була так само ефективною, або трохи кращою, ніж поточний “золотий стандарт” процесу фенотипування для визначення діагнозу з ЕМЗ. Ці захворювання можуть включати деменцію, множинну склероз, серпоподібноклітинну анемію та ін.

“Загалом наші результати є обнадійливими і свідчать про те, що Phe2vec є перспективною технікою для великомасштабного фенотипування захворювань в електронних медичних записах”, – сказав доктор Гліксберг. “З подальшим тестуванням та удосконаленням ми сподіваємося, що це можна буде використовувати для автоматизації багатьох початкових кроків клінічних досліджень інформатики, що дозволить науковцям зосередитися на подальших аналізах, таких як прогнозне моделювання”.