A mesterséges intelligencia rendszer a komplex orvosi feljegyzéseket olvasható narratívákká alakítja át a jobb ellátás érdekében

A mesterséges intelligencia rendszer a komplex orvosi feljegyzéseket olvasható narratívákká alakítja át a jobb ellátás érdekében

Az UCLA kutatói kifejlesztettek egy mesterséges intelligencia-rendszert, amely az általában táblázatokká töredezett elektronikus egészségügyi nyilvántartásokat (EHR) olvasható narratívákká alakítja, lehetővé téve a mesterséges intelligencia számára, hogy megértse az összetett betegtörténeteket, és felhasználja ezeket a narratívákat a klinikai döntések nagy pontosságú támogatására. A Multimodális beágyazási modell az EHR-hez (MEME) a ​​táblázatos egészségügyi adatokat „pszeudonotokká” alakítja, amelyek tükrözik a klinikai dokumentációt, lehetővé téve olyan mesterséges intelligencia modellek létrehozását, amelyek hatékonyabban elemezhetik a szöveges információkat.

Miért fontos

Az elektronikus egészségügyi nyilvántartások nagy mennyiségű beteginformációt tartalmaznak, amelyek segítségével az orvosok gyorsabban és pontosabban hozhatnak döntéseket vészhelyzetekben. A legtöbb élvonalbeli AI-modell azonban szöveggel működik, míg a kórházi adatokat összetett táblázatokban tárolják számokkal, kódokkal és kategóriákkal. Ez az eltérés megakadályozta, hogy az egészségügyi rendszerek teljes mértékben kihasználják a fejlett AI-képességeket. A sürgősségi osztályoknak, ahol a gyors döntések kritikusak lehetnek, különösen olyan eszközökre van szükségük, amelyek gyorsan feldolgozzák az átfogó betegszámlálást, hogy előre jelezzék az eredményeket és irányítsák a kezelési döntéseket.

Mit csinált a tanulmány

A kutatók olyan újszerű megközelítést hoztak létre, amely az egészségügyi szolgáltatók által általánosan használt orvosi dokumentációs hivatkozások segítségével a táblázatos elektronikus egészségügyi nyilvántartásokat szöveges "áljegyzetekké" alakítja. Más szóval, ahelyett, hogy az EHR-t kódok gyűjteményeként kezelné, a Pseudonotes több narratívából álló történetet hoz létre. A rendszer a páciensadatokat koncepció-specifikus blokkokra (gyógyszerek, triage vitalok, diagnosztika stb.) osztja fel, mindegyiket egyszerű sablonok segítségével szöveggé alakítja, majd mindegyiket nyelvi modellek segítségével kódolja. Lényegében az orvosi gondolkodás egy formáját utánozza.

Ezután ezt a szöveget továbbították a fejlett nyelvi modellekhez, különálló, de kapcsolódó adatfolyamként kezelve a különböző típusú egészségügyi információkat, például a laboratóriumi eredményeket, a diagnózisokat és a gyógyszereket. A csapat tesztelte rendszerét a hagyományos gépi tanulási módszerekkel, a dedikált mesterséges intelligencia gépi tanulási modellekkel és a valós sürgősségi osztály előrejelzési feladatainak felhasználásával alapuló megközelítésekkel.

Amit találtak

A Medical Information Mart for Intensive Care (MIMIC) és az UCLA adatkészleteiből származó több mint 1,3 millió ED-ben a MEME több feladatban is felülmúlta a meglévő megközelítéseket, és több ED-t támogat. A multimodális szöveges megközelítés, amely az egészségügyi rekordok különböző összetevőit külön-külön dolgozza fel, jobb eredményeket ért el, mint az összes információ egyetlen reprezentációba való egyesítése. A rendszer kiváló teljesítményt nyújtott a hagyományos gépi tanulási technikákhoz, az EHR-specifikus alapmodellekhez, például a CLMBR-hez és a Clinical Longformerhez, valamint a szabványos építési módszerekhez képest. A megközelítés jó hordozhatóságot is mutatott a különböző kórházi rendszerek és kódolási szabványok között.

mi lesz ezután?

A kutatócsoport azt tervezi, hogy a MEME hatékonyságát a sürgősségi osztályokon kívül más klinikai körülmények között is teszteli, hogy igazolja szélesebb körű alkalmazhatóságát. Emellett foglalkozni kívánnak a modellek általánosíthatóságában megfigyelt korlátokkal, és azon dolgoznak, hogy a rendszer konzisztensen működjön a különböző egészségügyi helyzetekben. A jövőbeni munka az új orvosi koncepciók beépítésére irányuló megközelítés kiterjesztésére és az egészségügyi adatszabványok kidolgozására fog összpontosítani, így a fejlett mesterséges intelligencia elérhetőbbé válik az egészségügyi rendszerek számára.

A szakértőktől

„Ez áthidalja a kritikus szakadékot a ma elérhető AI-modellek és az egészségügyi adatok összetett valósága között” – mondta Simon Lee, az UCLA Computational Medicine PhD-hallgatója. "A kórházi nyilvántartások olyan formátumba való átalakításával, amelyet a fejlett nyelvi modellek is megértenek, felszabadítjuk az egészségügyi szolgáltatók számára korábban elérhetetlen képességeket. Az a tény, hogy ez a megközelítés hordozhatóbb és jobban adaptálható, mint a meglévő egészségügyi mesterséges intelligencia-rendszerek, különösen értékessé teheti a különböző adatszabványokkal dolgozó intézmények számára."

Források: