Das KI -System verwandelt komplexe medizinische Aufzeichnungen in lesbare Erzählungen für eine bessere Pflege

UCLA -Forscher haben ein KI -System entwickelt, das normalerweise in Tabellen fragmentierte elektronische Gesundheitsakten (EHR) in lesbare Erzählungen verwandelt, sodass künstliche Intelligenz komplexe Patientengeschichte verstehen und diese Erzählungen verwenden, um klinische Entscheidungsunterstützung mit hoher Genauigkeit durchzuführen. Das multimodale Einbettungsmodell für EHR (MEME) verwandelt tabellarische Gesundheitsdaten in „Pseudonoten“, die die klinische Dokumentation widerspiegeln, und ermöglicht KI -Modellen, die für Text Informationen effektiver analysieren können.

Warum ist es wichtig

Elektronische Gesundheitsakten enthalten große Mengen an Patienteninformationen, die Ärzten helfen könnten, schnellere und genauere Entscheidungen in Notsituationen zu treffen. Die meisten hochmodernen KI-Modelle arbeiten jedoch mit Text, während Krankenhausdaten in komplexen Tabellen mit Zahlen, Codes und Kategorien gespeichert werden. Diese Nichtübereinstimmung hat verhindert, dass Gesundheitssysteme fortschrittliche KI -Funktionen vollständig nutzen. Notaufnahmen, in denen schnelle Entscheidungen kritisch sein können, insbesondere benötigen Tools, die umfassende Patientenverzählungen schnell verarbeiten können, um Ergebnisse vorherzusagen und Behandlungsentscheidungen zu lenken.

Was die Studie getan hat

Forscher haben einen neuartigen Ansatz erstellt, der tabellarische elektronische Gesundheitsdaten in textbasierten „Pseudonoten“ unter Verwendung medizinischer Dokumentationsverknüpfungen umwandelt, die üblicherweise von Gesundheitsdienstleistern verwendet werden. An anderen Worten, anstatt die EHR als Sammlung von Codes zu behandeln, erzeugt Pseudonoten eine Geschichte, die aus mehreren Erzählungen besteht. Das System unterteilt Patientendaten in konzeptspezifische Blöcke (Medikamente, Triage-Vitale, Diagnostik usw.), wandelt jeden in Text mit einfachen Vorlagen um und codiert dann jeden einzelnen mithilfe von Sprachmodellen. Es emuliert im Wesentlichen eine Form des medizinischen Denkens.

Anschließend fütterten sie diesen Text an erweiterte Sprachmodelle und behandelten verschiedene Arten von Gesundheitsinformationen wie Laborergebnissen, Diagnosen und Medikamenten als separate, aber verwandte Datenströme. Das Team testete sein System gegen herkömmliche Methoden für maschinelles Lernen, spezielle KI-Modelle für maschinelle Lernen und auf basierende Ansätze mit realen Vorhersageaufgaben der Notaufnahme.

Was sie fanden

In über 1,3 Millionen Notaufnahmen der medizinischen Information Mart for Intensive Care (MIMIC) und UCLA -Datensätze übertrafen MEME bestehende Ansätze in mehreren Aufgaben zur Unterstützung mehrerer Notaufnahmen. Der multimodale Textansatz, der verschiedene Komponenten von Gesundheitsakten getrennt verarbeitet, erzielte bessere Ergebnisse, als zu versuchen, alle Informationen zu einer einzigen Darstellung zu kombinieren. Das System zeigte eine überlegene Leistung im Vergleich zu herkömmlichen Techniken für maschinelles Lernen, EHR-spezifischen Fundamentmodellen wie CLMBR und Clinical Longformer sowie Standard-Aufbau-Methoden. Der Ansatz zeigte auch eine gute Portabilität in verschiedenen Krankenhaussystemen und Codierungsstandards.

Was kommt als nächstes

Das Forschungsteam plant, die Wirksamkeit von MEME in anderen klinischen Umgebungen über die Notaufnahmen hinaus zu testen, um seine breitere Anwendbarkeit zu validieren. Sie wollen auch die in der modellübergreifenden Generalisierbarkeit beobachteten Einschränkungen angehen und daran arbeiten, sicherzustellen, dass das System in verschiedenen Gesundheitseinrichtungen konsequent funktioniert. Zukünftige Arbeiten werden sich darauf konzentrieren, den Ansatz zu erweitern, um neue medizinische Konzepte zu berücksichtigen und die Standards für Gesundheitsdaten zu entwickeln, wodurch die fortschrittliche KI für Gesundheitssysteme zugänglicher wird.

Von den Experten

„Dies überbrückt eine kritische Kluft zwischen den heute heute verfügbaren KI -Modellen und der komplexen Realität der Gesundheitsdaten“, sagte Simon Lee, PhD -Student bei der UCLA Computational Medicine. „Durch die Umwandlung von Krankenhausaufzeichnungen in ein Format, das erweiterte Sprachmodelle verstehen können, werden wir Funktionen freischalten, die zuvor für Gesundheitsdienstleister nicht zugänglich waren. Die Tatsache, dass dieser Ansatz tragbarer und anpassungsfähiger ist als vorhandene KI -Systeme für Gesundheitswesen, könnte es für Institutionen, die mit verschiedenen Datenstandards arbeiten, besonders wertvoll machen.“

Quellen: