רופאים צריכים לעתים קרובות לקבל החלטות קריטיות תוך דקות, תוך הסתמכות על מידע חלקי. בעוד שרשומות בריאות אלקטרוניות מכילות כמויות עצומות של נתוני חולים, חלק ניכר מהם נותר קשה לפירוש מהיר – במיוחד עבור חולים עם מחלות נדירות או תסמינים חריגים.
כעת, חוקרים מבית הספר לרפואה של איקאן בהר סיני ומשתפי פעולה פיתחו מערכת בינה מלאכותית, הנקראת InfEHR, המקשרת בין אירועים רפואיים לא קשורים לאורך זמן, ויוצרת רשת אבחנתית שחושפת דפוסים נסתרים. פורסם בגיליון המקוון של 26 בספטמבר של תקשורת טבעהמחקר מראה שהסקת מסקנות על רשומות בריאות אלקטרוניות (InfEHR) הופכת מיליוני נקודות נתונים מפוזרות לתובנות אבחנתיות ניתנות לפעולה, ספציפיות למטופל.
סיקרנו אותנו באיזו תדירות המערכת גילתה מחדש דפוסים שרופאים חשדו בהם אך לא יכלו לפעול לפיהם כי הראיות לא היו מבוססות במלואן. על ידי כימות האינטואיציות הללו, InfEHR נותן לנו דרך לאמת את מה שהיה בעבר רק תחושה ופותח את הדלת לתגליות חדשות לחלוטין".
גיריש נ. נדקרני, MD, MPH, סופר מקביל בכיר, יו"ר המחלקה לבינה מלאכותית ובריאות האדם בווינדריך, מנהל מכון חסו פלטנר לבריאות דיגיטלית, פרופסור לרפואה איירין וד"ר ארתור מ. פישברג בבית הספר לרפואה איכאן בהר סיני, וקצין AI ראשי של מערכת הבריאות הר סיני.
רוב הבינה המלאכותית הרפואית (AI), מתקדמת ככל שתהיה, מיישמת את אותו תהליך אבחון על כל מטופל. InfEHR פועל בצורה שונה על ידי התאמת הניתוח שלו לכל אדם. המערכת בונה רשת מאירועים רפואיים ספציפיים של המטופל והקשרים ביניהם לאורך זמן, ומאפשרת לה לא רק לספק תשובות מותאמות אישית אלא גם לשאול שאלות מותאמות אישית. על ידי התאמה של מה שהוא מחפש ואיך שהוא נראה, InfEHR מביא אבחון מותאם אישית בהישג יד, אומרים החוקרים.
במחקר, InfEHR ניתחה רשומות אלקטרוניות לא מזוהות ומוגנות פרטיות משתי מערכות בית חולים (הר סיני בניו יורק ו-UC Irvine בקליפורניה). החוקרים הפכו את ציר הזמן הרפואי של כל מטופל – ביקורים, בדיקות מעבדה, תרופות, סימנים חיוניים – לרשת שהראתה כיצד אירועים מתחברים לאורך זמן. ה-AI חקר רבות מהרשתות הללו כדי ללמוד אילו שילובים של רמזים נוטים להופיע כאשר קיים מצב נסתר.
עם סט קטן של דוגמאות שאושרו על ידי רופא כדי לכייל אותו, המערכת בדקה אם היא יכולה לסמן נכון שתי בעיות בעולם האמיתי: יילודים שמפתחים אלח דם למרות תרביות דם שליליות וחולים שמפתחים פגיעה בכליות לאחר ניתוח. הביצועים שלו בזיהוי חולים עם האבחנה הושוו עם הכללים הקליניים הנוכחיים ואושרו בשני בתי החולים. יש לציין שהמערכת גם יכלה לאותת כאשר הרשומה חסרה מספיק מידע, מה שמאפשר לה להגיב "לא בטוח" כמאפיין בטיחות.
המחקר מצא כי InfEHR יכול לזהות דפוסי מחלה שאינם נראים כאשר בוחנים נתונים מבודדים. עבור אלח דם ביילוד ללא תרביות דם חיוביות – מצב נדיר ומסכן חיים – InfEHR היה בסבירות גבוהה פי 12-16 לזהות תינוקות שנפגעו בהשוואה לשיטות הנוכחיות. עבור פגיעה בכליות לאחר ניתוח, המערכת סימנה חולים בסיכון פי 4-7 ביעילות רבה יותר. חשוב לציין, InfEHR השיגה זאת מבלי להזדקק לכמויות גדולות של נתוני אימון, תוך למידה ישירה מרישומי המטופלים והסתגלות בין בתי חולים ואוכלוסיות.
"AI מסורתי שואל, 'האם החולה הזה דומה לאחרים עם המחלה?' InfEHR נוקט בגישה שונה: 'האם המסלול הרפואי הייחודי של מטופל זה יכול לנבוע מתהליך מחלה בסיסי?' זה ההבדל בין פשוט התאמת דפוסים לבין חשיפת סיבתיות", אומר המחבר הראשי ג'סטין קאופמן, MS, מדען נתונים בכיר במחלקה לבינה מלאכותית ובריאות האדם בווינדריך בבית הספר לרפואה של איכאן.
חשוב לציין, בנוסף, InfEHR מסמן עד כמה היא בטוחה בתחזיות שלה. בניגוד לבינה מלאכותית אחרת שעלולה לתת תשובה שגויה בוודאות, InfEHR יודע מתי לומר, 'אני לא יודע' – תכונת בטיחות מרכזית לשימוש קליני בעולם האמיתי, אומרים החוקרים.
הצוות מעמיד לרשות חוקרים אחרים את הקידוד של InfEHR תוך שהוא ממשיך לחקור שימושים במערכת. לדוגמה, בשלב הבא, הצוות יחקור כיצד InfEHR יכולה להתאים אישית החלטות טיפוליות על ידי למידה מנתוני ניסויים קליניים והרחבת התובנות הללו לחולים שמאפיינים או סימפטומים ספציפיים שלהם לא היו מיוצגים במלואם בניסויים המקוריים.
"ניסויים קליניים מתמקדים לעתים קרובות באוכלוסיות ספציפיות, בעוד שרופאים מטפלים בכל מטופל", אומר קאופמן. "הגישה ההסתברותית שלנו עוזרת לגשר על הפער הזה, ומקלה על רופאים לראות אילו ממצאי מחקר באמת חלים על המטופל שלפניהם".
המאמר נקרא "InfEHR: פתרון פנוטיפ קליני באמצעות למידה גיאומטרית עמוקה על רשומות בריאות אלקטרוניות". מחברי המחקר, כפי שמופיעים בכתב העת, הם ג'סטין קאופמן, אמה הולמס, אקהיל וייד, אלכסנדר וו. צ'רני, פטרישיה קובץ', ג'ושוע למפרט, אנקיט סחוג'ה, מרינקה זיטניק, בנימין ס. גליקסברג, אירה הופר וגיריש נ. נדקרני.
עבודה זו נתמכה בחלקה על ידי מענק UL1TR004419 של המכונים הלאומיים לבריאות, ופרסי המדע הקליני והתרגום UL1TR004419 מהמרכז הלאומי לקידום מדעי התרגום. המחקר המדווח בפרסום זה נתמך גם על ידי המשרד לתשתיות מחקר של המכונים הלאומיים לבריאות תחת הפרסים S10OD026880 ו-S10OD030463.
