Araştırmacılara göre, hastaların tıbbi kayıtlarını zaman içinde inceleyen yapay zeka (AI) tabanlı bir strateji, belirli hastalıklarla ilişkili modelleri belirleyebilir.
Yaklaşım, belirli koşulları geliştirme riski olan hastaları tanımlamaya yardımcı olabilir ve hastalığın ve sonuç modellerine göre yönetimi bilgilendirebilir, Hossein Estiri, PhD, Bilgisayar Bilimleri Laboratuvarı, Massachusetts Genel Hastanesi, Boston ve meslektaşları çevrimiçi olarak yayınlanan bir makalede Patterns , Cell Press tarafından yayınlanan açık erişimli bir dergi.
İşlem, sıralı bir desen madenciliği algoritmasını bir makine öğrenimi boru hattı ile birleştirerek, elektronik sağlık kayıtlarından (EHR'ler) geçici hasta sağlığı bilgilerinin kilidini açabilir ve büyük hacimli klinik verileri sorunsuz bir şekilde eyleme geçirilebilir bilgiye dönüştürebilir.
"Bir hastanın elektronik çizelgesinde aldığı tanı kodu sağlık durumuyla tam olarak eşleşmeyebilir veya bir hastalığa sahip olabilir, ancak henüz uygun tanı kodunu almamış olabilir." Massachusetts Genel Hastanesi Bilgisayar Bilimleri Laboratuvarı doktora sonrası araştırmacı. "Bu nedenle, zorluk kodların kendileri yanlış olduğunda belirli bir hastalığı olan hastaları tanımlayan bir modelin nasıl oluşturulacağıdır."
Makalede açıklanan geçişli sıralama yaklaşımı, teşhis ve ilaçların sıralı çiftleri üzerine inşa edilmiş bir model kullanmaktadır. Strasser, "Etiket olarak sıra yalnızca tanıdan daha fazla doğruluk sunuyor." "Örneğin, bir hastada konjestif kalp yetmezliği [CHF] tanısı varsa ve sonra uygun ilacı alırsa, hastanın kendi başına tanıdan daha fazla kalp yetmezliği olup olmadığını belirlemek için bu sekansın daha doğru olması muhtemeldir."
Strasser, birden fazla hastanın çizelgesindeki tüm tanı ve ilaçların dizilerini tanımlama işlemi çok hesaplama gerektirebileceğinden, araştırmacılar "modeli oluşturmak için yalnızca en alakalı ve yararlı dizileri seçen bir algoritma" kullandılar.
Stratejiyi test etmek için, araştırmacılar bunu CHF için ICD-9-CM kodu olan bir hasta grubundan geçici EHR ilacı ve tanı gözlemleri çıkarmak için kullandılar. Daha sonra sınıflandırma ve tahmin performansını, alt makine öğrenimi algoritmaları için ayrı EHR gözlemlerini toplama geleneksel yaklaşımıyla karşılaştırdılar.
Yazarlar, "EHR olayları dizilerinden çıkarılan veri sunumlarının, makine öğreniminde birincil veri gösterimleri olarak yaygın olarak kullanılan 'atemporal' EHR kayıtlarından daha iyi fenotip 'farklılaştırıcılar' ve öngörücüler olduğunu bulduk."
Yazarlar, yaklaşımla ilişkili daha güçlü sinyallerin örnekleri arasında, kalp yetmezliği, kronik obstrüktif akciğer hastalığı ve benzodiazepinler için teşhis kodlarıyla ilişkili CHF olasılıkları sırasıyla% 45,% 47 ve% 63'tür. Ancak bu özellikler sırayla analiz edildiğinde, kalp yetmezliği olasılığı artar. Örneğin, kalp yetmezliği kodu ve benzodiazepin kodunun zamansal dizisi kalp yetmezliği için% 64 ve dizilim kalp yetmezliği kodu ve diğer kronik obstrüktif akciğer hastalığı kodunun% 78 olasılığı vardır.
Yazarlar, kalp yetmezliği teşhisi konmamış hastalar için gerçek zamanlı CHF olasılıklarını hesaplama yeteneği de dahil olmak üzere bu yaklaşımın birçok olası klinik kullanımını tanımlamaktadır. Strateji ayrıca, alternatif tanıların geliştirilmesine yardımcı olabilir, bir ilaç önerisi bildirebilir ve yazarların yazdığı farklı tanı ve ilaç dizileri için gerçek zamanlı olasılıklar temelinde klinik karar desteği sunabilir ", karmaşık geçmişleri, çok sayıda sağlayıcısı ve yıllarca sağlık kayıtları olan hastalar. "
Nüfus düzeyinde, araç klinik araştırmalar, kalite değerlendirme ve biyomedikal araştırmalar için uygun hastaları daha doğru bir şekilde tanımlayabilir; herhangi bir başka hastalık için risk altındaki hastaları tanımlamaya yardımcı olabilir; ve belirli bir hastalık için yeni yörüngeler hakkında fikir verebilir. Örneğin, Strasser, "bu yöntemi COVID-19 gibi ortaya çıkan bir hastalığa uygulamak, yaygın sekansları analiz ederek hastalığın nasıl ilerlediğini anlamamıza yardımcı olabilir." Dedi.
Hesaplamalı Fizyoloji Laboratuvarı araştırma bilimcisi Thomas Pollard'a göre, sıralı kalıp madenciliği / makine öğrenme stratejisi, AI'nın sağlık hizmetindeki dönüşüm potansiyelini genişletiyor ve EHR verilerinden değer elde etmekle ilgili önemli bir boşluğu dolduruyor. Massachusetts Teknoloji Enstitüsü'nde Mühendislik ve Bilim, Cambridge. “Elektronik sağlık kayıtlarının zamanla değişen yönlerini anlamak için daha iyi yöntemlere kesinlikle ihtiyaç duyulmaktadır. Ve burada harika olan şey, yazarların kodlarını halka açık bir şekilde paylaşmaları ve yaklaşımın ayrıntılarının incelenmesine ve genişletilmesine izin vermesidir” dedi. Medscape Medical News ile röportaj.
Ancak, bunun gibi algoritmalar klinik pratiğe taşınmadan önce, "bakımda eşitsizlikleri yaratma veya bir araya getirme potansiyelini anlamamız önemlidir" diye vurguladı Pollard. "Örneğin, algoritmanın konjestif kalp yetmezliğini cinsiyet ve siyah, beyaz ve Asyalı hastalar arasında eşit derecede iyi tanımlayıp tanımlayamayacağını bilmek önemlidir."
Çalışma yazarları, Pollard ve Strasser ilgili finansal ilişkiyi açıklamadılar.
Desenler. 2020; 1: 100051. Tam metin
Daha fazla haber için Facebook , Twitter , Instagram ve YouTube'da Medscape'i takip edin.
Recommended for you
You must be logged in to post a comment Login
Leave a Reply
Yorum yapabilmek için giriş yapmalısınız.