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

Учені в медичній школі Ікахна в Маунт-Синай розробили новий, автоматизований алгоритм, заснований на штучному інтелекті (AI), який може читати та передбачати дані пацієнтів з електронних медичних записів (EHR).

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 більше 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 в Маунт-Синай (HPIMS) і старшим автором дослідження.

“Відбувається вибух кількості та типів даних, які електронно зберігаються в медичній картці пацієнта. Розплутування цієї складної мережі даних може бути дуже обтяжливим, що сповільнює розвиток клінічних досліджень”, – сказав Гліксберг. “У цьому дослідженні ми створили новий метод для видобування даних з електронних медичних записів з використанням машинного навчання, який є швидшим і менш трудомістким, ніж галузевий стандарт. Ми сподіваємося, що це буде цінний інструмент, який полегшить подальше, і менш упереджене, дослідження в галузі клінічної інформатики”.

Дослідження, яке було опубліковано в журналі Patterns, було очолено 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 отримання нової інформації. Система під назвою Phenotype Knowledgebase (PheKB) розробляє та зберігає ці алгоритми. Система є дуже ефективною для правильної ідентифікації діагнозу пацієнта, але дослідникам потрібно пройти через багато медичних записів та шукати окремі дані. Це дані включають речі, такі як лабораторні тести та рецепти.

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

Новий метод

З новим методом дослідники дозволяють комп’ютеру самостійно вчитися, як визначати захворювання-фенотипи, що економить час і роботу дослідників. Метод Phe2vec був заснований на попередніх дослідженнях команди.

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

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

Комп’ютер був програмований для проходження мільйонів електронних медичних записів та вивчення зв’язків між даними та захворюваннями. Програмування спиралося на “ембеддингові” алгоритми, які були раніше розроблені дослідниками. Вони були використані для вивчення мереж слів у різних мовах.

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

Дослідники потім порівняли ефективність нових та старих систем і 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 інші.

“Загалом наші результати є обнадійливими та 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 вченим зосередити свої зусилля на подальших аналізах, таких як прогностичне моделювання”.