AI揭示个体疾病的风险在电子病历数据

戴安娜·菲利普斯

二〇二〇年六月三十〇日

人工智能(AI)为基础的策略,矿山患者随着时间的推移可以识别特定疾病相关的模式病历,研究人员证明。

该方法可以帮助在发展某些疾病的风险识别病人和可能的疾病和结果模型的基础上,通知管理,侯赛因Estiri,博士,计算机科学,马萨诸塞州总医院,波士顿的实验室,和他的同事在一篇文章中报道网上公布模式,开放获取期刊发表了细胞出版社出版。

通过序列模式挖掘算法和机器学习管道相结合,这个过程能够从电子健康记录(电子病历)解锁态患者健康信息和无缝的大量临床数据转化为可操作的知识。

“通常情况下,诊断代码,病人的电子海图可能无法真正满足他们的健康状况在接收;或者患者可能具有疾病,但尚未收到相应的诊断代码”,根据研究的共同作者扎卡里斯特拉瑟,MD,一博士后研究人员在计算机科学马萨诸塞州总医院的实验室。“因此,面临的挑战是如何建立一个模型,识别患者与特定的疾病时,代码本身可能是不准确的,”他在接受采访时解释说。

在文章中描述的传递测序方法利用建立在诊断和用药的顺序配对模型。“就不仅仅是单纯的诊断标签提供更高的精度序列,”斯特拉瑟解释。“例如,如果患者有一个充血性心脏衰竭[CHF]诊断,然后采取适当的药物治疗,该序列很可能是更准确的用于识别患者是否具有心脏衰竭比对自己的诊断“。

因为在多个病人的病历中识别所有诊断和药物的序列的过程需要大量的计算,研究人员使用“一种只选择最相关和最有用的序列来创建模型的算法,”Strasser继续说。

为了测试策略,研究者它用于矿井EHR药物和诊断的观察的时间序列来从一组患者具有用于CHF的ICD-9-CM代码。然后比较其与聚集下游机器学习算法离散EHR观测的常规方法分类和预测的性能。

“我们发现从EHR事件序列挖掘数据表示是更好的表型‘差异化’和预测相比,被广泛用作机器学习的主要数据表示的‘时间性’电子病历记录”的作者报告。

间与所述方法相关的较强信号的例子,有用于心脏衰竭的诊断代码相关联的CHF概率,慢性阻塞性肺病和苯二氮卓单独分别为45%,47%,63%,作者报告。然而,当这些特征序列进行分析,对心脏衰竭的概率增大。例如,心脏的失败代码和苯二氮码的时间序列具有心脏衰竭64%的可能性,并且序列心脏衰竭代码和其他慢性阻塞性肺病的代码有78%的可能性。

作者描述了这种方法的许多可能的临床用途,包括计算实时CHF概率谁没有被诊断患有心脏衰竭的病人的能力。该战略还可以帮助开发替代性的诊断,告知药物的建议,并为诊断和药物治疗,对此,作者写的不同序列实时概率的基础上,提供临床决策支持,“可能是用于生成建议特别有用患者复杂的历史,多个供应商,以及跨越多年的健康记录“。

在群体水平,该工具可以更准确地识别合适的患者进行临床试验,质量评价,和生物医学研究;它可以帮助确定患者在任何数量的其他疾病的风险;它可以提供洞察给定的疾病的新轨迹。例如,斯特拉瑟说:“将这种方法应用于一个新兴的疾病,如COVID-19,可以帮助我们了解如何通过分析常见的序列病情的发展。”

该序列模式挖掘/机器学习策略扩展AI的变革潜力在医疗保健和填写有关提取电子病历数据价值的重要差距,根据托马斯·波拉德博士在实验室计算生理学研究的科学家,医学研究所工程与科学技术处,剑桥的麻省理工学院。“当然需要更好的方法来理解的电子健康记录随时间变化的问题。什么是伟大这里的是,作者已经公开共享他们的,使该方法的细节进行审查,并在扩大,”他在接受采访时说WebMD医学新闻乐动捕鱼游戏

之前的算法,如本被移动到临床实践中,“重要的是,我们理解可能创造或护理复合不平等,”波拉德强调。“例如,它知道算法是否能够识别同样跨性别和跨黑,白,亚洲患者充血性心脏衰竭是很重要的。”

该研究的作者,波拉德和斯特拉瑟透露没有相关的财务关系。

模式。2020; 1:100051。全文

欲了解更多资讯,请关注Medscape表示上Facebook的推特Instagram的YouTube的

注释

3090D553-9492-4563-8681-AD288FA52ACE
在Medscape表示意见进行审核,并应在色调和主题专业。您必须声明的有关您的意见和回应任何利益冲突。请参阅我们的谈到指南了解更多信息。我们保留自行决定删除帖子的权利。
帖子为:

加工....