Scaling Electronic Health Record Foundation Models for Population Health Management
تقدم هذه الورقة نموذجاً تأسيسياً للسجلات الصحية الإلكترونية قابلاً للتوسع، تم تدريبه مسبقاً على مليارات الأحداث الطبية عبر مواقع متعددة من أكثر من 5 ملايين مريض في الولايات المتحدة وتايوان، والذي يُظهر أداءً فائقاً وقدرة على التعميم في التنبؤ بـ 11 مرضاً مزمناً مقارنة بالنماذج الحالية من خلال الاستفضاء من إطار عمل موحد لمحاذاة الرموز وتوسيع النطاق الأمثل للحوسبة.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تعمل الأنظمة الصحية اليوم غالبًا كأنها مجموعة من الجزر المعزولة. فقد يزور المريض أخصائيًا في مدينة ما، ويجري فحصًا في مدينة أخرى، ويصرف وصفة طبية في مدينة ثالثة، مع احتفاظ كل موقع بسجلاته المنفصلة الخاصة. هذا التجزؤ يجعل من الصعب رؤية الصورة الكاملة لصحة الشخص بمرور الوقت. وعندما لا يستطيع الأطباء ربط هذه النقاط بسهولة، فقد يغفلون عن علامات الإنذار المبكر لأمراض خطيرة وطويلة الأمد مثل أمراض القلب أو السرطان. وبحلول الوقت الذي يتم فيه اكتشاف هذه الحالات، غالبًا ما تكون قد وصلت إلى مراحل متقدمة، مما يتطلب علاجًا مكثفًا ومكلفًا. إن الهدف من إدارة صحة السكان هو حل هذه المشكلة من خلال النظر في كميات هائلة من بيانات المرضى للعثور على الأشخاص المعرضين للخطر قبل أن يشعروا بالمرض فعليًا، مما يسمح بتدخلات مبكرة منقذة للحياة.
ولتحقيق ذلك، لجأ الباحثون إلى السجلات الصحية الإلكترونية، وهي السجلات الرقمية لكل زيارة، وفحص، ودواء يتلقاه المريض. ومع ذلك، فإن هذه السجلات لا تُكتب بلغة واحدة عالمية؛ فقد يستخدم مستشفى ما رمزًا محددًا لإجراء طبي شائع، بينما يستخدم مستشفى في بلد آخر رمزًا مختلفًا تمامًا لنفس الإجراء بالضبط. هذا التباين جعل من المستحيل تقريبًا تدريب الأنظمة الحاسوبية للتعلم من البيانات عبر مناطق مختلفة. تقدم دراسة جديدة حلاً يسمى EHR-FM، وهو نموذج حاسوبي ضخم مصمم لقراءة وفهم هذه السجلات الطبية بغض النظر عن مصدرها. ومن خلال التعلم من مليارات الأحداث الطبية التي شملت أكثر من خمسة ملايين مريض من الولايات المتحدة وتايوان، تعلم النظام كيفية رصد الأنماط الدقيقة التي تسبق الأمراض المزمنة، حتى عندما تأتي البيانات من عالمين مختلفين تمامًا في الرعاية الصحية.
كان التحدي الجوهري الذي واجهه الباحثون ليس مجرد الحجم الهائل للبيانات، بل الارتباك الناتج عن اختلاف أنظمة الترميز. تخيل أنك تحاول تعلم لغة جديدة حيث تُكتب كلمة "نوبة قلبية" بطرق مختلفة في كل كتاب تفتحه. في السجلات الطبية، قد يكون لدواء أو إجراء واحد مئات الأسماء المختلفة اعتمادًا على نظام الفوترة المحلي. ولإصلاح ذلك، بنى الفريق "مترجمًا" يحول كل هذه الرموز المختلفة إلى لغة واحدة موحدة قبل أن يراها الحاسوب. لقد استخدموا مزيجًا من القواميس الطبية الرسمية والذكاء الاصطناعي المتقدم لربط آلاف الرموز المحلية برموز دولية معيارية. وقد سمح لهم ذلك بدمج السجلات من تايوان والولايات المتحدة في مجموعة بيانات واحدة ضخمة ومتماسكة تحتوي على ما يقرب من عشرة مليارات حدث طبي.
باستخدام هذه البيانات الموحدة، درب الباحثون "نموذجًا تأسيسيًا كبيرًا"، وهو نوع من الذكاء الاصطناعي الذي يتعلم القواعد العامة من كميات هائلة من المعلومات. واختبروا كيف يتغير أداء النموذج مع زيادة حجمه وكمية البيانات التي يراها. ووجدوا أن النموذج يتبع نمطًا يمكن التنبؤ به: فكلما أضافوا المزيد من القدرة الحوسبية والمزيد من البيانات، أصبح النموذج أفضل في أداء مهمته بشكل ملحوظ. لقد بنوا نسخًا من النموذج تتراوح من صغيرة جدًا إلى أكثر من ملياري "بارامتر" (معلمة)، وهو مقياس لتعقيده وقدرته على التعلم. وأثبتت النسخة الأكبر، التي تم تدريبها على هذه البيانات العابرة للحدود، مهارة استثنائية في التنبؤ ببدء الأمراض الكبرى.
وعند اختبار النموذج في سيناريوهات واقعية، أظهر قدرة مذهلة على تحديد المرضى الذين قد يصابون بحالات مثل السرطان، أو فشل القلب، أو السكتة الدماغية خلال العام التالي. في الولايات المتحدة، حقق النموذج مساحة تحت المنحنى (AUC) قدرها 0.4 لحالات أمراض القلب المستقبلية مع إبقاء الإنذارات الكاذبة منخفضة للغاية. وفي بيانات تايوان، حقق مساحة تحت المنحنى قدرها 0.7 للحالات المستقبلية مع نفس المستوى العالي من الدقة. هذه الحساسية العالية أمر بالغ الأهمية لصحة السكان؛ فهي تعني أن النظام يمكنه تحديد الأفراد المعرضين للخطر لإجراء المزيد من الفحوصات دون إغراق الأطباء بالتحذيرات الكاذبة. وقد تفوق النموذج على البرامج الحاسوبية التقليدية التي تعتمد على قواعد بسيطة، كما تفوق على نماذج الذكاء الاصطناعي المتقدمة الأخرى التي تم تدريبها فقط على بيانات من موقع واحد.
ولعل النتيجة الأكثر إثارة للدهشة هي مدى جودة تعامل النموذج مع البيانات من أماكن لم يرها من قبل. فعند اختباره على مجموعة مختلفة تمامًا من سجلات المرضى من جامعة ستانفورد، والتي استخدمت أنظمة ترميز مختلفة وغطت سكانًا مختلفين، ظل النموذج يتفوق على الأنظمة السابقة الأكثر تطورًا. يشير هذا إلى أنه من خلال التعلم من مزيج متنوع من البيانات، طور النموذج فهمًا أعمق للمرض البشري يتجاوز الاختلافات المحلية. كما اكتشف الباحثون أن مجرد نسخ نفس البيانات مرارًا وتكرارًا لجعل مجموعة البيانات أكبر لم يساعد النموذج على التعلم بنفس قدر إضافة بيانات جديدة ومتنوعة من مناطق مختلفة. وهذا يشير إلى أن تنوع المعلومات لا يقل أهمية عن كميتها.
تؤكد الدراسة أنه من الممكن بناء أدوات قوية وقابلة للتوسع للتنبؤ بالأمراض المزمنة من خلال توحيد السجلات الطبية من جميع أنحاء العالم. وقد أظهر الباحثون أنه من خلال مواءمة أنظمة الترميز المختلفة، يمكنهم إنشاء نموذج يتعلم من التاريخ الجماعي لملايين المرضى، ويحدد المخاطر التي قد تمر دون أن تُلاحظ. وبينما لا يعد النموذج بديلًا لتقدير الطبيب، إلا أنه يقدم طريقة جديدة قوية لتحديد أولويات الرعاية. فمن خلال تحديد الأفراد المعرضين للخطر في وقت مبكر، يمكن لأنظمة الرعاية الصحية الانتقال من مرحلة الاستجابة للمرض إلى مرحلة الوقاية منه، مما قد ينقذ الأرواح ويقلل العبء على الموارد الطبية. لقد أتاح الباحثون الكود الخاص بهم للآخرين، آملين أن يساعد هذا النهج في بناء مستقبل تكون فيه الرعاية الاستباقية القائمة على البيانات متاحة للجميع، بغض النظر عن مكان عيشهم.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.