חוקרי UCLA פיתחו מערכת AI שמופכת את רשומות הבריאות האלקטרוניות המקוטעות (EHR) בדרך כלל בטבלאות לנרטיבים קריאים, ומאפשרת לבינה מלאכותית להבין את ההיסטוריה המורכבת של המטופלים ולהשתמש בסיפורים אלה כדי לבצע תמיכה החלטות קליניות ברמת דיוק גבוהה. מודל ההטמעה הרב -מודאלי עבור EHR (MEME) הופך את נתוני הבריאות הטבלאיים ל"פסאודונוטות "המשקפות תיעוד קליני, ומאפשר מודלים של AI המיועדים לניתוח מידע על המטופלים בצורה יעילה יותר.
למה זה משנה
רשומות בריאות אלקטרוניות מכילות כמויות אדירות של מידע על מטופלים שיכולים לעזור לרופאים לקבל החלטות מהירות ומדויקות יותר במצבי חירום. עם זאת, מרבית דגמי ה- AI המתקדמים עובדים עם טקסט, ואילו נתוני בית החולים נשמרים בטבלאות מורכבות עם מספרים, קודים וקטגוריות. אי התאמה זו מנעה מערכות בריאות למנף באופן מלא יכולות AI מתקדמות. מחלקות חירום, בהן החלטות מהירות יכולות להיות קריטיות, במיוחד זקוקות לכלים שיכולים לעבד במהירות היסטוריות מטופלים מקיפות כדי לחזות תוצאות ולהנחות את החלטות הטיפול.
מה המחקר עשה
החוקרים יצרו גישה חדשה הממירה נתוני רשומות בריאות אלקטרוניות טבליות ל"פסאודונוטות "מבוססות טקסטים באמצעות קיצורי דרך לתיעוד רפואי המשמשים בדרך כלל על ידי ספקי שירותי הבריאות. במילים אחרות, במקום להתייחס ל- EHR כאוסף של קודים, Pseudonotes יוצר סיפור המורכב מסיפורים מרובים. המערכת שוברת את נתוני המטופלים לחסימות ספציפיות לקונספט (תרופות, ויטלי טריאג ', אבחון וכו'), הופכת כל אחת לטקסט באמצעות תבניות פשוטות ואז מקודדת כל אחת בנפרד באמצעות מודלים לשפה. זה בעצם מחקה סוג של הנמקה רפואית.
לאחר מכן הם האכילו טקסט זה למודלים של שפה מתקדמת, תוך טיפול בסוגים שונים של מידע בריאותי, כמו תוצאות מעבדה, אבחנות ותרופות, כזרמי נתונים נפרדים אך קשורים. הצוות בדק את המערכת שלהם כנגד שיטות למידת מכונות מסורתיות, מודלים מתמחים בתחום הבריאות AI וגישות מבוססות באמצעות משימות חיזוי של מחלקת חירום אמיתית.
מה הם מצאו
על פני למעלה מ- 1.3 מיליון ביקורי חדרי מיון מתוך מסד הנתונים של MARTER MARE MARTER לצורך טיפול נמרץ (MISIC) ו- UCLA, MEME ביצעו באופן עקבי את הגישות הקיימות במשימות תמיכה בהחלטות מרובות של מחלקת חירום. גישת הטקסט הרב -מודאלית, המעבדת רכיבים שונים של רשומות בריאות בנפרד, השיגה תוצאות טובות יותר מאשר לנסות לשלב את כל המידע לייצוג יחיד. המערכת הדגימה ביצועים מעולים בהשוואה לטכניקות למידת מכונה מסורתית, מודלים של יסוד ספציפי ל- EHR כמו CLMBR ו- LongFormer קליני ושיטות הנחיה סטנדרטיות. הגישה הראתה גם ניידות טובה על פני מערכות בתי חולים ותקני קידוד שונים.
מה הלאה
צוות המחקר מתכנן לבדוק את יעילותו של Meme במסגרות קליניות אחרות מעבר למחלקות חירום כדי לאמת את תחולתה הרחבה יותר. הם גם שואפים להתייחס למגבלות שנצפו בהכללת מודלים בין אתרים, ופועלים להבטיח שהמערכת תבצע בעקביות במוסדות בריאות שונים. עבודה עתידית תתמקד בהרחבת הגישה בכדי להתאים למושגים רפואיים חדשים ולתפתחות סטנדרטים של נתוני שירותי בריאות, מה שעשוי להפוך את ה- AI המתקדם לנגיש יותר למערכות הבריאות.
מהמומחים
סיימון לי, סטודנט לתואר שלישי ברפואה חישובית UCLA חישובי UCLA Compultational, אמר סיימון לי, סטודנט לתואר שלישי ב- UCLA חישובי UCLA Compultation, אמר כי "זה מגשר על פער קריטי בין דגמי ה- AI החזקים ביותר הקיימים כיום לבין המציאות המורכבת של נתוני הבריאות. "על ידי המרת רישומי בית חולים לפורמט שמודלים מתקדמים בשפה יכולים להבין, אנו פותחים את היכולות שהיו בעבר בלתי נגישות לספקי שירותי הבריאות. העובדה שגישה זו ניידת ומסתגלת יותר ממערכות AI בתחום הבריאות יכולה להפוך אותה לערכה במיוחד עבור מוסדות העובדים עם תקני נתונים שונים."
