Масштабируемое и точное глубокое обучение с использованием электронных медицинских карт

Scalable and accurate deep learning with electronic health records
Quoc Viet Le, Greg S. Corrado, Atul Janardhan Butte, Yi Zhang, Nigam Haresh Shah, Alvin Rajkomar, Greg S. Corrado, Alvin Rajkomar, Eyal Oren, Kai Chen, Andrew M. Dai, Nissan Hajaj, Michaela Hardt, Peter J. Liu, Xiaobing Liu, Jake Marcus, Mimi Sun, Patrik Sundberg, Hector Yee, Kun Zhang, Gerardo Flores, Gavin E. Duggan, Jamie Irvine, Quoc Le, Kurt Litsch, Alexander Mossin, Justin Tansuwan, De Wang, James Wexler, Jimbo Wilson, Dana Ludwig, Samuel L. Volchenboum, Katherine Chou, Michael Pearson, Srinivasan Madabushi, Nigam H. Shah, Atul J. Butte, Michael D. Howell, Claire Cui, Jeffrey Dean
2018-05-04

формат FHIRпрогнозирование клинических событийглубокое обучениеэлектронные медицинские картыперсонализированная медицина
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.
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.

Полные необработанные электронные медицинские карты (EHR) госпитализированных взрослых пациентов, представленные в последовательном формате FHIR

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
Access Type
Author Information
Authors
Quoc Viet Le
Greg S. Corrado
Atul Janardhan Butte
Yi Zhang
Nigam Haresh Shah
Alvin Rajkomar
Greg S. Corrado
Alvin Rajkomar
Eyal Oren
Kai Chen
Andrew M. Dai
Nissan Hajaj
Michaela Hardt
Peter J. Liu
Xiaobing Liu
Jake Marcus
Mimi Sun
Patrik Sundberg
Hector Yee
Kun Zhang
Gerardo Flores
Gavin E. Duggan
Jamie Irvine
Quoc Le
Kurt Litsch
Alexander Mossin
Justin Tansuwan
De Wang
James Wexler
Jimbo Wilson
Dana Ludwig
Samuel L. Volchenboum
Katherine Chou
Michael Pearson
Srinivasan Madabushi
Nigam H. Shah
Atul J. Butte
Michael D. Howell
Claire Cui
Jeffrey Dean
Explore further
Open the scid.ai AI chat with a ready-made request: it will find papers on a similar topic and help build a literature review.
Find similar papers in the chat →
Make a presentation
100%