Googlen Ennustava EHR käyttää koneen oppimista ennustamaan terveystapahtumia


Ken Terry
06. helmikuuta 2019

Yhdysvaltain patentti- ja tavaramerkkivirasto 31. tammikuuta julkaisi Googlen patenttihakemuksen "syvä konekielen oppimisen" järjestelmästä, jossa käytetään pitkittäisiä sähköisiä terveystietoja (EHR) koskevia tietoja ennustamaan tulevia terveystapahtumia.

Kliinisen päätöksenteon tukijärjestelmä voi myös auttaa lääkäreitä tunnistamaan potilaat, jotka tarvitsevat eniten apua, ja voivat näyttää tärkeimmät kliiniset merkit, jotka ovat ennusteiden taustalla, Googlen mukaan.

Google ilmoitti konseptista viime toukokuussa ja jätti patenttihakemuksen heinäkuussa. Patenttivirasto ei ole vielä myöntänyt patenttia ennakoivaan EHR-järjestelmään.

Google-järjestelmä voi yhdistää ja tallentaa EHR-tietoja väestöille ja yksittäisille potilaille. Yhtiö käyttää terveystason seitsemän nopeaa terveydenhuollon yhteentoimivuusresurssien kehystä standardisoimalla erilaisten EHR: iden keräämät tiedot. Sitten ilman, että käyttäjien on määriteltävä kiinnostavat muuttujat, jokaisen ennusteen syvä oppimismalli "lukee kaikki tietopisteet aikaisemmista uusimpiin ja oppii, mitkä tiedot auttavat ennustamaan lopputulosta."

Google teki yhteistyötä sen järjestelmän tutkimuksessa Kalifornian yliopiston, San Franciscon, Stanford Medicinein ja Chicagon yliopiston lääketieteen kanssa. Google-järjestelmä pystyi ennustamaan sairaalassa kuolleisuutta, 30 päivän suunnittelemattomia takaisinottoja, pitkäaikaisia ​​oleskeluaikoja ja lopullisia vastuuvapauden diagnooseja, joiden tarkkuus oli parempi kuin perinteisissä ennustemalleissa.

Tutkijat totesivat, että Googlen lähestymistapa paransi perinteistä lähestymistapaa tietojenkeruun ennakoivaan mallinnukseen. "Tärkeää on, että pystyimme käyttämään tietoja sellaisenaan, ilman että työläs manuaalinen vaivaa vaaditaan tyypillisesti näiden tiedostojen poimimiseksi, puhdistamiseksi, yhdenmukaistamiseksi ja muuntamiseksi."

Patenttihakemuksessa Google sanoi, että ennustava järjestelmä voisi auttaa lääkäreitä asettamaan potilaat etusijalle ja osoittamaan, mitä tietoja potilaskaaviossa on etsittävä. Nämä tiedot voisivat auttaa terveydenhuollon tarjoajia tunnistamaan huolenaiheita tai puuttumaan haitallisten tapahtumien todennäköisyyden vähentämiseen.

Koneiden nousu

Kliinisten tapahtumien ennustamiseen ja kliinisten protokollien tarkentamiseen käytetään yhä enemmän syvällistä oppimista ja muita keinotekoisia älykkyyksiä (AI).

Esimerkiksi Penn Medicine on käyttänyt koneen oppimista suunnitellakseen hoitoreittejä ja ennustamaan menestyksekkäästi, mitkä potilaat todennäköisesti kehittävät sepsiä, CIO.comin mukaan. Flaglerin sairaala St. Augustine, Florida, on käyttänyt AI-ratkaisua parantamaan ja standardoimaan keuhkokuume- ja sepsispotilaiden hoitopolkuja, HealthcareITNews -raportteja. Ja Grady Health System Atlanta, Georgia, tallennetaan tällä hetkellä 4 miljoonaa dollaria estämällä takaisinotot käyttämällä AI: n ohjaamaa ennakoivaa analytiikkaa ja potilastason yhteisötoimia Mobile Health Newsin mukaan.

Se, ovatko tällaiset työkalut kiinni lääkärien keskuudessa vai eivät, riippuu suurelta osin niiden tarkkuudesta. Kommentoi Penn Medicine -ohjelmaa CIO.com-artikkelissa Dean Sittig, PhD, professori University of Texas Health Sciences Centerissä Houstonissa, sanoi, että ennusteiden on oltava oikeassa yli puolessa ajasta, tai lääkärit eivät maksa huomiota niihin.

Googlen ennustavan EHR-järjestelmän oikeudenkäynti artikkelin mukaan Nature Partner -lehdet: Digital Medicine, käsitteli 46,8 miljardia tietopistettä, jotka oli kerätty 216 211 aikuispotilasta vähintään 24 tuntia sairaalahoidossa kahdessa akateemisessa keskuksessa.

Käyttämällä mittakaavaa, jossa 1,00 on täydellinen ja 0,50 ei ole parempi kuin satunnainen mahdollisuus, tutkimuksessa käytetyt mallit saivat 0,86 ennustaa, olisiko potilailla pitkäaikaista oleskelua sairaalassa, 0,95 ennustettaessa sairaalan kuolleisuutta, ja 0,77 ennustettaessa odottamattomia palautuksia .

LÄHDE: Medscape, 6. helmikuuta 2019.