Трансформація, керована штучним інтелектом, у аналізі клінічних документів: покращення діагностики серцевої недостатності

Generative AI готовий змінити галузь охорони здоров’я багатьма способами, включаючи аналіз клінічних документів.

A останній прогрес у діагностиці серцевої недостатності за допомогою аналізу звітів ехокардіограми демонструє значний потенціал технологій, керованих ШІ, для трансформації інтерпретації медичних даних і догляду за пацієнтами.

Виклик сучасної охорони здоров'я

Синтаксичний аналіз клінічних документів створює значні проблеми в охороні здоров’я, особливо для складних звітів, таких як ехокардіограми, які мають вирішальне значення для діагностики захворювань серця. Ці документи містять важливі дані, такі як значення фракції викиду (ФВ) для діагностики серцевої недостатності, що означає, що ефективний і точний аналіз звітів є життєво важливим завданням. однак,
щільне поєднання медичного жаргону, абревіатур, даних про пацієнтів і неструктурованого вільного тексту, діаграм і таблиць ускладнює послідовне тлумачення цих документів. Це створює надмірний тягар для клініцистів, які вже обмежені часом, і збільшує ризик людських помилок у догляді за пацієнтами та веденні записів.

Проривний підхід

Generative AI пропонує трансформаційне рішення для вирішення проблем аналізу клінічних документів. Він може автоматизувати вилучення та структурування складних медичних даних із неструктурованих документів, тим самим значно підвищуючи точність і ефективність. Наприклад, нове дослідження представило систему на базі штучного інтелекту, яка використовує попередньо навчену модель трансформатора, адаптовану для завдання екстрактивних відповідей на запитання (QA). Ця модель, налаштована за допомогою спеціального набору даних анотованих ехокардіограм, демонструє надзвичайну ефективність у вилученні значень EF – ключового маркера в діагностиці серцевої недостатності.

Ця технологія адаптується до певної медичної термінології та навчається з часом, забезпечуючи налаштування та постійне вдосконалення. Крім того, це економить клініцистам значний час, дозволяючи їм більше зосередитися на догляді за пацієнтами, а не на адміністративних завданнях.

Сила індивідуальних даних

Багато нещодавніх проривів у Generative AI можна пояснити новаторською архітектурою моделі, відомою як «трансформери». На відміну від попередніх моделей, які обробляли текст у лінійних послідовностях, трансформатори можуть аналізувати цілі текстові блоки одночасно, забезпечуючи глибше та детальніше розуміння мови.

Попередньо навчені трансформатори є чудовою відправною точкою для систем, які включають цю технологію. Ці моделі інтенсивно тренуються на великих і різноманітних наборах мовних даних, що дає їм змогу розвивати широке розуміння загальних мовних шаблонів і структур.

Однак попередньо підготовлені трансформатори потім потрібно навчити для виконання спеціалізованих завдань і галузевих вимог за допомогою процесу, що називається тонким налаштуванням. Тонке налаштування включає в себе використання попередньо навченого трансформатора та його подальше навчання на конкретному наборі даних, що стосується конкретного завдання чи домену. Це додаткове навчання дозволяє моделі адаптуватися до унікальних лінгвістичних характеристик, термінології та структур тексту, характерних для цієї області. У результаті налаштовані трансформатори стають ефективнішими та точнішими при виконанні спеціалізованих завдань, пропонуючи покращену продуктивність і актуальність у різних галузях: від охорони здоров’я до фінансів, юриспруденції тощо.

Наприклад, попередньо навчена модель трансформатора, хоч і має широке розуміння мовних структур, за своєю суттю може не розуміти нюансів і специфічної термінології, що використовується у звітах ехокардіограми. Завдяки точному налаштуванню на цільовому наборі даних звітів ехокардіограми модель може адаптуватися до унікальних лінгвістичних шаблонів, технічних термінів і форматів звітів, типових для кардіології. Ця специфіка дозволяє моделі точно отримувати та інтерпретувати важливу інформацію зі звітів, таку як вимірювання камер серця, функції клапанів і фракції викиду. На практиці це допомагає медичним працівникам приймати більш обґрунтовані рішення, тим самим покращуючи догляд за пацієнтами та потенційно рятуючи життя. Крім того, така спеціалізована модель могла б оптимізувати ефективність робочого процесу шляхом автоматизації вилучення критичних точок даних, скорочення часу перегляду вручну та мінімізації ризику людської помилки під час інтерпретації даних.

Дослідження, наведене вище, чітко демонструє вплив тонкої настройки користувацького набору даних через результати MIMIC-IV-Примітка, публічний набір клінічних даних. Одним із ключових результатів експериментів було 90% зниження чутливості до різних підказок, досягнуте за допомогою тонкого налаштування, виміряного за стандартним відхиленням показників оцінки (точність відповідності та оцінка F1) для трьох різних версій того самого запитання: «Що таке фракція викиду?» «Що таке відсоток EF?» і "Що таке систолічна функція?»

Вплив на клінічні робочі процеси

Аналіз клінічних документів, керований ШІ, може значно спростити клінічні робочі процеси. Технологія автоматизує вилучення та аналіз життєво важливих даних із медичних документів, таких як записи пацієнтів і результати тестів, і зменшує потребу в ручному введенні даних. Це скорочення ручних завдань покращує точність даних і дозволяє клініцистам витрачати більше часу на догляд за пацієнтами та прийняття рішень. Здатність штучного інтелекту розуміти складні медичні терміни та отримувати релевантну інформацію призводить до кращих результатів для пацієнтів, забезпечуючи швидший і всебічний аналіз історії та стану пацієнтів. У клінічних умовах ця технологія штучного інтелекту була трансформаційною, заощаджуючи 1,500 годин на рік а також підвищення ефективності надання медичної допомоги, дозволяючи клініцистам зосередитися на основних аспектах догляду за пацієнтами.

Клініцист у курсі: збалансування штучного інтелекту та людського досвіду

Хоча штучний інтелект значно оптимізує управління інформацією, людське судження та аналіз залишаються вирішальними для надання якісного догляду за пацієнтами.

Концепція «клініциста в циклі» є невід’ємною частиною нашої моделі аналізу клінічних документів, поєднуючи технологічну ефективність штучного інтелекту з основними знаннями медичних працівників. Цей підхід передбачає надання кінцевого результату синтаксичного аналізу доступному клініцисту як чітко анотований/виділений документ. Ця спільна система забезпечує високу точність аналізу документів і сприяє безперервному вдосконаленню моделі за допомогою відгуків лікарів. Така взаємодія призводить до прогресивного покращення продуктивності ШІ.

Хоча модель AI значно скорочує час, витрачений на навігацію платформою EMR та аналіз документа, участь клініциста є життєво важливою для гарантування точності та етичного застосування технології. Їхня роль у нагляді за інтерпретаціями штучного інтелекту гарантує, що остаточні рішення відображають поєднання вдосконаленої обробки даних і досвідченого медичного судження, тим самим зміцнюючи безпеку пацієнтів і довіру лікарів до системи.

Використання ШІ в охороні здоров’я

По мірі просування вперед інтеграція штучного інтелекту в клінічних умовах, ймовірно, стане більш поширеною. Це дослідження підкреслює трансформаційний потенціал штучного інтелекту в охороні здоров’я та дає розуміння майбутнього, де технології та медицина поєднуються, щоб принести значну користь суспільству. Доступ до повного дослідження доступний тут на arxiv.