12:01
Обучение компьютеров чтению медицинских записей помогает бороться с COVID-19 – Вот как это делается

Медицинские карты - это богатый источник медицинских данных. В совокупности содержащаяся в них информация может помочь исследователям лучше понять болезни и эффективнее лечить их. Это включает в себя COVID-19. Но чтобы открыть этот богатый ресурс, исследователям сначала нужно прочитать его.

Возможно, мы уже отошли от времен рукописных медицинских записок, но информация, записанная в современных электронных медицинских картах, может быть столь же труднодоступной и интерпретируемой. Это старая шутка, что почерк врачей неразборчив, но оказалось, что они печатают не намного лучше.

Сам объем информации, содержащейся в медицинских картах, ошеломляет. Каждый день медицинский персонал в типичной больнице NHS генерирует так много текста, что человеку потребовался бы целый век, чтобы просто пролистать его, не говоря уже о том, чтобы прочитать. Использование компьютеров для анализа всех этих данных-очевидное решение, но далеко не простое. То, что имеет идеальный смысл для человека, может быть очень трудно понять компьютеру.

Наша команда использует форму искусственного интеллекта, чтобы преодолеть этот разрыв. Обучая компьютеры тому, как понимать записи человеческих врачей, мы надеемся, что они откроют для себя идеи о том, как бороться с COVID-19, находя закономерности в записях многих тысяч пациентов.

Почему медицинские карты идут с трудом

Значительная часть медицинской карты состоит из свободного текста, набранного в повествовательной форме, как электронная почта. Это включает в себя симптомы пациента, историю его болезни, а также заметки о ранее существовавших состояниях и лекарствах, которые он принимает. Там также может быть соответствующая информация о членах семьи и образе жизни вперемешку. И поскольку этот текст был введен занятыми врачами, там также будут сокращения, неточности и опечатки.

Врачи пишут информацию в свободных текстовых полях, богатых деталями, но плохо организованных для понимания машиной. logoboom/Shutterstock

Этот вид информации известен как неструктурированные данные. Например, в истории болезни пациента может быть сказано::

Миссис Смит-65-летняя женщина с фибрилляцией предсердий, и в марте у нее был CVA. В прошлом у нее были а #НОФ и ОА. Семейный анамнез рака молочной железы. Ей прописали апиксабан. Никаких кровоизлияний в анамнезе.

Этот весьма компактный абзац содержит большое количество данных о миссис Смит. Другой человек, читающий заметки, знал бы, какая информация важна, и мог бы извлечь ее за считанные секунды, но компьютер нашел бы эту задачу чрезвычайно трудной.

Обучение машин чтению

Чтобы решить эту проблему, мы используем нечто, называемое обработкой естественного языка (НЛП). Основанные на машинном обучении и технологии искусственного интеллекта, алгоритмы НЛП переводят язык, используемый в свободном тексте, в стандартизированный, структурированный набор медицинских терминов, которые могут быть проанализированы компьютером.

Эти алгоритмы чрезвычайно сложны. Они должны понимать контекст, длинные цепочки слов и медицинских понятий, отличать текущие события от исторических, определять семейные отношения и многое другое. Мы учим их делать это, подавая им существующую письменную информацию, чтобы они могли изучить структуру и значение языка – в данном случае общедоступный английский текст из интернета – а затем использовать реальные медицинские записи для дальнейшего совершенствования и тестирования.

Использование алгоритмов НЛП для анализа и извлечения данных из медицинских карт имеет огромный потенциал для изменения здравоохранения. Многое из того, что запечатлено в повествовательном тексте в записях пациента, обычно никогда больше не увидишь. Это может быть важная информация, такая как ранние признаки серьезных заболеваний, таких как рак или инсульт. Возможность автоматически анализировать и отмечать важные проблемы может помочь обеспечить более качественный уход и избежать задержек в диагностике и лечении.

Поиск способов борьбы с КОВИДОМ-19

Собирая вместе медицинские записи с помощью этих инструментов, мы теперь используем эти методы, чтобы увидеть закономерности, имеющие отношение к пандемии. Например, недавно мы использовали наши инструменты, чтобы выяснить, увеличивают ли препараты, обычно назначаемые для лечения высокого кровяного давления, диабета и других состояний, известных как ингибиторы ангиотензинпревращающего фермента (ИАПФ) и блокаторы рецепторов ангиотензина (бра), шансы серьезно заболеть COVID – 19.

Вирус, вызывающий COVID-19, заражает клетки, связываясь с молекулой на поверхности клетки, называемой ACE2. Считается, что как ИАПФ, так и бра увеличивают количество АЦЕ2 на поверхности клеток, что приводит к опасениям, что эти препараты могут подвергать людей повышенному риску заражения вирусом.

Коронавирус (красный) связывается с белками ACE2 (синий) на поверхности клетки (зеленый), чтобы получить доступ. Kateryna Kon/Shutterstock

Однако информация, необходимая для ответа на этот вопрос – сколько тяжелобольных пациентов COVID-19 получают эти лекарства – может быть записана как в виде структурированных рецептов, так и в свободном тексте в их медицинских картах. Этот свободный текст должен быть в формате, доступном для поиска на компьютере, чтобы машина могла ответить на этот вопрос.

Используя наши инструменты НЛП, мы смогли проанализировать анонимные записи 1200 пациентов COVID-19, сравнивая клинические результаты с тем, принимали ли пациенты эти препараты или нет. Обнадеживающе, мы обнаружили, что люди, которым назначали ИАПФ или бра, имели не больше шансов серьезно заболеть, чем те, кто не принимал лекарства.

Сейчас мы расширяем возможности использования этих инструментов, чтобы узнать больше о том, кто больше всего подвержен риску от COVID-19. Например, мы использовали их для исследования связей между этнической принадлежностью, ранее существовавшими условиями здоровья и COVID-19. Это выявило несколько поразительных вещей: то, что вы чернокожий или смешанной этнической принадлежности, делает вас более вероятным быть госпитализированным с болезнью, и что азиатские пациенты, когда они находятся в больнице, подвергаются большему риску быть госпитализированными в реанимацию или умереть от COVID-19.

Мы также использовали эти инструменты для оценки показателей раннего предупреждения, которые предсказывают, какие пациенты, поступившие в больницу, с наибольшей вероятностью серьезно заболеют, и для того, чтобы предложить, какие дополнительные меры могут быть использованы для улучшения этих показателей. Мы также используем эту технологию для прогнозирования предстоящих всплесков заболеваемости COVID-19, основываясь на симптомах пациентов, которые зафиксировали врачи.

Похожие материалы:

Так же рекомендуем посмотреть:

От животных к человеческому обществу: чему мы учимся, когда женщины ведут за собой


Почему мы должны оставлять старые нефтяные вышки в море – и почему мы этого не делаем


Другая солнечная энергия: как ученые делают топливо из солнечного света и воздуха

Категория: Тайны / Новости / Гипотеза / Наука | Просмотров: 69 | Добавил: admin | Теги: NHS, свободный текст, CVA, Искусственный интеллект, пациент, COVID, поверхность клетки | Рейтинг: 0.0/0
Всего комментариев: 0
avatar