Масштабируемое и точное глубокое обучение с использованием электронных медицинских карт
Scalable and accurate deep learning with electronic health records
2018-05-04
SCID: 54.1/sj5xnsw5
Discuss with AI
формат FHIRпрогнозирование клинических событийглубокое обучениеэлектронные медицинские картыперсонализированная медицина
Figures from the paper
Abstract (AI)
Ожидается, что прогностическое моделирование на основе данных электронных медицинских карт (ЭМК) будет способствовать развитию персонализированной медицины и повышению качества медицинской помощи. Построение статистических прогностических моделей обычно требует извлечения тщательно отобранных прогностических переменных из нормализованных данных ЭМК; это трудоемкий процесс, в ходе которого утрачивается подавляющее большинство информации, содержащейся в карте каждого пациента. Мы предлагаем представление всех исходных данных ЭМК пациентов на основе формата Fast Healthcare Interoperability Resources (FHIR). Мы показываем, что методы глубокого обучения, использующие это представление, способны точно прогнозировать различные медицинские события в нескольких медицинских центрах без гармонизации данных с учетом специфики отдельных учреждений. Наш подход был валидирован с использованием обезличенных данных ЭМК из двух академических медицинских центров США, включавших 216 221 взрослого пациента, госпитализированного не менее чем на 24 ч. В предложенном нами последовательном формате этот массив данных ЭМК, включая клинические записи, разворачивается в совокупности в 46 864 534 945 точек данных. Модели глубокого обучения продемонстрировали высокую точность при решении таких задач, как прогнозирование внутрибольничной летальности (площадь под кривой рабочих характеристик приемника [AUROC] в разных медицинских центрах 0,93–0,94), незапланированной повторной госпитализации в течение 30 дней (AUROC 0,75–0,76), длительного пребывания в стационаре (AUROC 0,85–0,86) и всех окончательных диагнозов пациента при выписке (взвешенная по частоте AUROC 0,90). Во всех случаях эти модели превосходили традиционные прогностические модели, применяемые в клинической практике. Мы считаем, что данный подход можно использовать для построения точных и масштабируемых прогнозов в различных клинических сценариях. В качестве примера для конкретной прогностической задачи мы показываем, что нейронные сети можно использовать для выявления релевантной информации в медицинской карте пациента.
Key Findings
1
Последовательное представление на основе FHIR сохраняет всю необработанную медицинскую документацию пациентов, включая клинические записи, избегая трудоёмкого отбора предикторов и потери информации.
2
Анализ отдельного случая показал, что нейронные сети способны выявлять клинически значимую информацию в необработанных медицинских картах, поддерживая масштабируемое прогнозирование для различных клинических сценариев.
3
Методы глубокого обучения на необработанных данных EHR точно прогнозировали несколько медицинских исходов в двух центрах без гармонизации данных, специфичной для каждого учреждения.
4
Модели предсказывали все окончательные диагнозы при выписке с частотно-взвешенным AUROC 0,90 и превосходили традиционные клинически используемые модели во всех оценённых задачах.
5
На данных 216 221 госпитализированного взрослого и 46 864 534 945 последовательных точках модели достигли AUROC 0,93–0,94 для внутрибольничной смертности, 0,75–0,76 для незапланированной повторной госпитализации в течение 30 дней и 0,85–0,86 для длительного пребывания.
Research Object
Полные необработанные электронные медицинские карты (EHR) госпитализированных взрослых пациентов, представленные в последовательном формате FHIR
Research Subject
Точное, масштабируемое и межцентровое прогнозирование множества медицинских событий по последовательным данным EHR, включая смертность, повторную госпитализацию, длительность пребывания и диагнозы при выписке
Publication Details
Publication Date
2018-05-04
Journal
Publisher
ISSN
Cited by
3209
Open access PDF
Access Type
Author Information
Download PDF
Subscribe to digest
Источники этой статьи в scid.ai4
Scikit-learn: машинное обучение на Python2012
Обучение представлений: обзор и новые перспективы2013
Консенсусные рекомендации Общества инфекционных болезней Америки и Американского торакального общества по лечению внебольничной пневмонии у взрослых2007
Система нейронного машинного перевода Google: сокращение разрыва между человеческим и машинным переводом2016
Работы, цитирующие эту статью12
Потенциал искусственного интеллекта в здравоохранении2019
Ключевые проблемы обеспечения клинического эффекта искусственного интеллекта2019
Обзор глубокого обучения в медицинской визуализации с акцентом на МРТ2018
Прецизионная медицина, искусственный интеллект и будущее персонализированного здравоохранения2020
Искусственный интеллект и глубокое обучение в офтальмологии2018
Переосмысление радиологии: обзор интеграции искусственного интеллекта в медицинскую визуализацию2023
Автоматизированное машинное обучение: обзор современного состояния и перспективы применения в здравоохранении2020
Внедрение обучения искусственному интеллекту в медицинское образование2019
Исследования в области машинного обучения и искусственного интеллекта на благо пациентов: 20 ключевых вопросов о прозрачности, воспроизводимости, этике и эффективности2020
Применение глубокого обучения для прогнозирования онкологического прогноза2020
Выявление невыявленных случаев семейной гиперхолестеринемии в системах здравоохранения с использованием машинного обучения2019
Объяснимый искусственный интеллект: обзор приложений к данным нейровизуализации2022