AI sistema sudėtingus medicininius įrašus paverčia įskaitomais pasakojimais, kad būtų užtikrinta geresnė priežiūra

AI sistema sudėtingus medicininius įrašus paverčia įskaitomais pasakojimais, kad būtų užtikrinta geresnė priežiūra

UCLA mokslininkai sukūrė dirbtinio intelekto sistemą, kuri elektroninius sveikatos įrašus (EHR), paprastai suskaidytus į skaičiuokles, paverčia skaitomais pasakojimais, leidžiančiais dirbtiniam intelektui suprasti sudėtingas pacientų istorijas ir naudoti tuos pasakojimus, kad būtų galima labai tiksliai palaikyti klinikinius sprendimus. Multimodalinis įterpimo modelis EHR (MEME) paverčia lentelės sveikatos duomenis į "pseudonotas", atspindinčias klinikinius dokumentus, todėl dirbtinio intelekto modeliai gali efektyviau analizuoti tekstinę informaciją.

Kodėl tai svarbu

Elektroniniuose sveikatos įrašuose yra daug pacientų informacijos, kuri gali padėti gydytojams priimti greitesnius ir tikslesnius sprendimus kritinėse situacijose. Tačiau dauguma pažangiausių AI modelių veikia su tekstu, o ligoninių duomenys saugomi sudėtingose ​​lentelėse su skaičiais, kodais ir kategorijomis. Šis neatitikimas neleido sveikatos priežiūros sistemoms visiškai išnaudoti pažangių AI galimybių. Skubios pagalbos skyriams, kuriuose greiti sprendimai gali būti labai svarbūs, ypač reikalingi įrankiai, galintys greitai atlikti išsamius pacientų surašymus, kad būtų galima numatyti rezultatus ir priimti gydymo sprendimus.

Ką padarė tyrimas

Tyrėjai sukūrė naują metodą, kuris lenteles paverčia elektroninius sveikatos įrašus į tekstinius "pseudonotas", naudojant medicininių dokumentų nuorodas, kurias dažniausiai naudoja sveikatos priežiūros paslaugų teikėjai. Kitaip tariant, užuot traktavęs EHR kaip kodų rinkinį, „Pseudonotes“ sukuria istoriją, sudarytą iš kelių pasakojimų. Sistema suskirsto paciento duomenis į konkrečias sąvokas (vaistų, triage vitals, diagnostikos ir kt.) blokus, kiekvieną konvertuoja į tekstą naudodama paprastus šablonus, o vėliau kiekvieną užkoduoja naudodama kalbos modelius. Tai iš esmės imituoja medicininio mąstymo formą.

Tada jie pateikė šį tekstą pažangiems kalbos modeliams, traktuodami įvairių tipų sveikatos informaciją, pvz., laboratorijos rezultatus, diagnozes ir vaistus, kaip atskirus, bet susijusius duomenų srautus. Komanda išbandė savo sistemą pagal tradicinius mašininio mokymosi metodus, specialius AI mašininio mokymosi modelius ir pagrįstus metodus, naudodama realaus pasaulio skubios pagalbos skyriaus numatymo užduotis.

Ką jie rado

Daugiau nei 1,3 milijono ED iš Intensyviosios terapijos medicinos informacijos centro (MIMIC) ir UCLA duomenų rinkinių MEME pralenkė esamus metodus, atlikdama daugybę užduočių, kad palaikytų kelis ED. Taikant multimodalinį teksto metodą, kuris apdoroja skirtingus sveikatos įrašų komponentus atskirai, buvo pasiekta geresnių rezultatų nei bandant sujungti visą informaciją į vieną atvaizdą. Sistema demonstravo puikų našumą, palyginti su tradiciniais mašininio mokymosi metodais, EHR specifiniais pagrindų modeliais, tokiais kaip CLMBR ir Clinical Longformer, ir standartiniais kūrimo metodais. Šis metodas taip pat parodė gerą perkeliamumą įvairiose ligoninių sistemose ir kodavimo standartuose.

Kas toliau?

Mokslininkų komanda planuoja išbandyti MEME veiksmingumą kitose klinikinėse situacijose, ne tik skubios pagalbos skyriuose, kad patvirtintų platesnį jo pritaikomumą. Jie taip pat nori pašalinti modelių apibendrinimo apribojimus ir stengtis užtikrinti, kad sistema veiktų nuosekliai įvairiose sveikatos priežiūros įstaigose. Ateityje daugiausia dėmesio bus skiriama metodo išplėtimui, įtraukiant naujas medicinos koncepcijas ir sveikatos duomenų standartų kūrimui, kad pažangus dirbtinis intelektas būtų prieinamesnis sveikatos priežiūros sistemoms.

Iš ekspertų

„Tai užpildo kritinį atotrūkį tarp šiandien prieinamų AI modelių ir sudėtingos sveikatos duomenų tikrovės“, - sakė UCLA kompiuterinės medicinos doktorantas Simonas Lee. "Pakeisdami ligoninių įrašus į formatą, kurį gali suprasti pažangūs kalbų modeliai, atrakinsime galimybes, kurios anksčiau nebuvo prieinamos sveikatos priežiūros paslaugų teikėjams. Tai, kad šis metodas yra labiau nešiojamas ir pritaikomas nei esamos sveikatos priežiūros AI sistemos, gali tapti ypač vertingu įstaigoms, dirbančioms su skirtingais duomenų standartais."

Šaltiniai: