Scaling Electronic Health Record Foundation Models for Population Health Management
Dieses Paper stellt ein skalierbares Electronic Health Record Foundation Model vor, das auf Milliarden von standortübergreifenden medizinischen Ereignissen von über 5 Millionen Patienten in den USA und Taiwan vortrainiert wurde und durch die Nutzung eines vereinheitlichten Code-Alignment-Frameworks sowie compute-optimaler Skalierung eine überlegene Leistung und Generalisierung bei der Vorhersage von 11 chronischen Krankheiten im Vergleich zu bestehenden Modellen demonstriert.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Heutige Gesundheitssysteme funktionieren oft wie eine Sammlung isolierter Inseln. Ein Patient sieht vielleicht einen Spezialisten in einer Stadt, lässt in einer anderen Stadt eine Untersuchung durchführen und holt in einer dritten Stadt ein Rezept ab, wobei jeder Ort seine eigenen separaten Aufzeichnungen führt. Diese Fragmentierung macht es schwierig, das vollständige Bild der Gesundheit eines Menschen im Zeitverlauf zu erfassen. Wenn Ärzte diese Punkte nicht leicht miteinander verbinden können, übersehen sie möglicherweise die frühen Warnsignale für ernsthafte, langfristige Erkrankungen wie Herzkrankheiten oder Krebs. Das Ziel des Populationsgesundheitsmanagements ist es, dies zu lösen, indem riesige Mengen an Patientendaten analysiert werden, um Menschen zu finden, die gefährdet sind, noch bevor sie sich krank fühlen, was frühzeitige, lebensrettende Interventionen ermöglicht.
Um dies zu erreichen, haben Forscher sich der elektronischen Gesundheitsakten zugewandt, den digitalen Protokollen jedes Besuchs, jedes Tests und jeder Medikation, die ein Patient erhält. Diese Aufzeichnungen sind jedoch nicht in einer einzigen, universellen Sprache verfasst. Ein Krankenhaus verwendet vielleicht einen spezifischen Code für eine bestimmte Prozedur, während ein Krankenhaus in einem anderen Land einen völlig anderen Code für genau dasselbe verwendet. Diese Diskrepanz hat es nahezu unmöglich gemacht, Computersysteme darauf zu trainieren, aus Daten aus verschiedenen Regionen zu lernen. Eine neue Studie stellt eine Lösung namens EHR-FM vor, ein massives Computermodell, das darauf ausgelegt ist, diese medizinischen Unterlagen zu lesen und zu verstehen, unabhängig davon, woher sie kommen. Durch das Lernen aus Milliarden von medizinischen Ereignissen, die über fünf Millionen Patienten sowohl aus den USA als als auch aus Taiwan involviert sind, hat das System gelernt, die subtilen Muster zu erkennen, die chronischen Krankheiten vorausgehen, selbst wenn die Daten aus zwei sehr unterschiedlichen Gesundheitswelten stammen.
Die zentrale Herausforderung, der sich die Forscher gegenüber sahen, war nicht nur das schiere Volumen der Daten, sondern die Verwirrung, die durch unterschiedliche Kodierungssysteme verursacht wurde. Stellen Sie sich vor, Sie versuchen, eine neue Sprache zu lernen, bei der das Wort für „Herzinfarkt“ in jedem Buch, das Sie aufschlagen, anders geschrieben wird. In medizinischen Akten kann ein einzelnes Medikament oder eine Prozedur je nach lokalem Abrechnungssystem hunderte verschiedene Namen haben. Um dies zu beheben, baute das Team einen Übersetzer, der all diese verschiedenen Codes in eine einzige, einheitliche Sprache umwandelt, bevor der Computer sie sieht. Sie verwendeten eine Kombination aus offiziellen medizinischen Wörterbüchern und fortschrittlicher künstlicher Intelligenz, um Tausende von lokalen Codes auf standardisierte internationale Codes abzubilden. Dies ermöglichte es ihnen, die Aufzeichnungen aus Taiwan und den Vereinigten Staaten zu einem massiven, kohärenten Datensatz zusammenzuführen, der fast zehn Milliarden medizinische Ereignisse enthält.
Mit diesen vereinheitlichten Daten trainierten die Forscher ein großes Foundation-Modell, eine Art künstliche Intelligenz, die allgemeine Regeln aus riesigen Mengen an Informationen lernt. Sie testeten, wie sich die Leistung des Modells veränderte, wenn sie die Größe und die Menge der Daten erhöhten. Sie fanden heraus, dass das Modell einem vorhersehbaren Muster folgte: Je mehr Rechenleistung und mehr Daten sie hinzufügten, desto besser wurde das Modell bei seiner Arbeit. Sie bauten Versionen des Modells, die von sehr klein bis zu über zwei Milliarden Parametern reichten – ein Maß für seine Komplexität und Lernkapazität. Die größte Version, die mit diesen grenzüberschreitenden Daten trainiert wurde, erwies sich als außergewöhnlich geschickt darin, den Ausbruch schwerer Krankheiten vorherzusagen.
Bei Tests in realen Szenarien zeigte das Modell eine bemerkenswerte Fähigkeit, Patienten zu identifizieren, die innerhalb des nächsten Jahres an Erkrankungen wie Krebs, Herzinsuffizienz oder Schlaganfall erkranken würden. In den USA erreichte das Modell einen AUC-Wert von 0,4 für zukünftige Fälle von Herzkrankheiten bei gleichzeitig extrem niedriger Rate an Fehlalarmen. In den taiwanesischen Daten erreichte es einen AUC-Wert von 0,7 für zukünftige Fälle bei gleicher hoher Genauigkeit. Diese hohe Sensitivität ist entscheidend für das Populationsgesundheitsmanagement; das bedeutet, dass das System Hochrisikopatienten für weitere Untersuchungen markieren kann, ohne Ärzte mit Fehlwarnungen zu überlasten. Das Modell übertraf herkömmliche Computerprogramme, die auf einfachen Regeln basieren, und übertraf auch andere fortschrittliche KI-Modelle, die nur auf Daten eines einzelnen Standorts trainiert worden waren.
Vielleicht war die beeindruckendste Erkenntnis, wie gut das Modell mit Daten aus Orten umging, die es zuvor noch nie gesehen hatte. Als es mit einem völlig anderen Satz von Patientendaten der Stanford University getestet wurde, die andere Kodierungssysteme verwendeten und eine andere Bevölkerungsgruppe abdeckten, schnitt das Modell dennoch besser ab als bisherige State-of-the-Art-Systeme. Dies deutet darauf hin, dass das Modell durch das Lernen von einer vielfältigen Mischung aus Daten ein tieferes Verständnis menschlicher Krankheiten entwickelt hat, das lokale Unterschiede überwindet. Die Forscher entdeckten auch, dass es dem Modell nicht half, die gleichen Daten immer wieder zu kopieren, um einen größeren Datensatz zu erstellen, als es der Fall war, wenn neue, vielfältige Daten aus verschiedenen Regionen hinzugefügt wurden. Dies zeigt, dass die Vielfalt der Informationen genauso wichtig ist wie die Quantität.
Die Studie bestätigt, dass es möglich ist, leistungsstarke, skalierbare Werkzeuge zur Vorhersage chronischer Krankheiten aufzubauen, indem man medizinische Aufzeichnungen aus der ganzen Welt vereinheitlicht. Die Forscher zeigten, dass sie durch die Abstimmung unterschiedlicher Kodierungssysteme ein Modell schaffen konnten, das aus der kollektiven Geschichte von Millionen von Patienten lernt und Risiken identifiziert, die sonst vielleicht unbemerkt geblieben wären. Während das Modell noch kein Ersatz für das Urteil eines Arztes ist, bietet es eine leistungsstarke neue Möglichkeit, die Versorgung zu priorisieren. Indem es Hochrisikopersonen frühzeitig identifiziert, können Gesundheitssysteme von der Reaktion auf Krankheit zur Prävention von Krankheit übergehen, was potenziell Leben rettet und die Belastung der medizinischen Ressourcen verringert. Die Forscher haben ihren Code für andere zur Verfügung gestellt, in der Hoffnung, dass dieser Ansatz dazu beiträgt, eine Zukunft zu schaffen, in der proaktive, datengesteuerte Pflege unabhängig davon, wo man lebt, für alle zugänglich ist.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.