Sistem AI preoblikuje zapletene zdravstvene zapise v berljive pripovedi za boljšo oskrbo

Sistem AI preoblikuje zapletene zdravstvene zapise v berljive pripovedi za boljšo oskrbo

Raziskovalci UCLA so razvili sistem umetne inteligence, ki elektronske zdravstvene zapise (EHR), običajno razdrobljene v preglednice, spremeni v berljive pripovedi, kar umetni inteligenci omogoča razumevanje zapletenih zgodovin pacientov in uporabo teh pripovedi za izvajanje klinične podpore pri odločanju z visoko natančnostjo. Multimodalni model vdelave za EHR (MEME) spremeni tabelarične zdravstvene podatke v »psevdonote«, ki odražajo klinično dokumentacijo, kar omogoča modele AI, ki lahko učinkoviteje analizirajo besedilne informacije.

Zakaj je pomembno

Elektronske zdravstvene kartoteke vsebujejo velike količine informacij o pacientih, ki bi zdravnikom lahko pomagale pri sprejemanju hitrejših in natančnejših odločitev v nujnih primerih. Vendar pa večina najsodobnejših modelov AI deluje z besedilom, medtem ko so bolnišnični podatki shranjeni v zapletenih tabelah s številkami, kodami in kategorijami. To neskladje je zdravstvenim sistemom preprečilo, da bi v celoti izkoristili napredne zmogljivosti umetne inteligence. Oddelki za nujne primere, kjer so lahko hitre odločitve ključnega pomena, še posebej potrebujejo orodja, ki lahko hitro obdelajo celovite popise pacientov za napovedovanje rezultatov in usmerjanje odločitev o zdravljenju.

Kaj je naredila študija

Raziskovalci so ustvarili nov pristop, ki tabelarične elektronske zdravstvene zapise pretvori v besedilne "psevdonote" z uporabo povezav do medicinske dokumentacije, ki jih običajno uporabljajo ponudniki zdravstvenih storitev. Z drugimi besedami, namesto da bi EHR obravnaval kot zbirko kod, Pseudonotes ustvari zgodbo, sestavljeno iz več pripovedi. Sistem razdeli podatke o bolnikih v konceptualno specifične bloke (zdravila, triažni vitalni podatki, diagnostika itd.), vsakega pretvori v besedilo z uporabo preprostih predlog in nato vsakega kodira z jezikovnimi modeli. V bistvu posnema obliko medicinskega razmišljanja.

To besedilo so nato vnesli v napredne jezikovne modele, pri čemer so različne vrste zdravstvenih informacij, kot so laboratorijski izvidi, diagnoze in zdravila, obravnavali kot ločene, a povezane podatkovne tokove. Ekipa je svoj sistem preizkusila v primerjavi s tradicionalnimi metodami strojnega učenja, namenskimi modeli strojnega učenja z umetno inteligenco in temelječimi pristopi z uporabo nalog napovedovanja urgentnih oddelkov v resničnem svetu.

Kaj so našli

V več kot 1,3 milijona ED iz zbirke podatkov Medical Information Mart for Intensive Care (MIMIC) in UCLA je MEME presegel obstoječe pristope pri več nalogah za podporo več ED. Multimodalni besedilni pristop, ki ločeno obdeluje različne komponente zdravstvenih kartotek, je dosegel boljše rezultate kot poskus združevanja vseh informacij v eno samo predstavitev. Sistem je pokazal vrhunsko zmogljivost v primerjavi s tradicionalnimi tehnikami strojnega učenja, osnovnimi modeli, specifičnimi za EHR, kot sta CLMBR in Clinical Longformer, ter standardnimi metodami gradnje. Pristop je pokazal tudi dobro prenosljivost med različnimi bolnišničnimi sistemi in standardi kodiranja.

kaj sledi

Raziskovalna skupina namerava preizkusiti učinkovitost MEME v drugih kliničnih okoljih poleg urgentnih oddelkov, da potrdi njegovo širšo uporabnost. Prav tako želijo obravnavati omejitve, opažene pri posplošljivosti med modeli, in si prizadevati zagotoviti, da sistem deluje dosledno v različnih zdravstvenih okoljih. Prihodnje delo bo osredotočeno na razširitev pristopa za vključitev novih medicinskih konceptov in razvoj standardov zdravstvenih podatkov, s čimer bo napredna umetna inteligenca postala bolj dostopna zdravstvenim sistemom.

Od strokovnjakov

"To premošča kritično vrzel med modeli umetne inteligence, ki so danes na voljo, in kompleksno realnostjo zdravstvenih podatkov," je povedal Simon Lee, doktorski študent na UCLA Computational Medicine. "S preoblikovanjem bolnišničnih kartotek v obliko, ki jo lahko razumejo napredni jezikovni modeli, bomo odklenili zmogljivosti, ki prej niso bile dostopne izvajalcem zdravstvenega varstva. Dejstvo, da je ta pristop bolj prenosljiv in prilagodljiv kot obstoječi sistemi umetne inteligence v zdravstvu, bi lahko bil še posebej dragocen za ustanove, ki delajo z različnimi podatkovnimi standardi."

Viri: