Interoperability of standardised electronic healthcare records facilitates transfer learning of clinical language models
Diese Studie zeigt, dass die Standardisierung elektronischer Gesundheitsakten auf das OMOP-Common-Data-Model effektiv das Transfer Learning von klinischen Sprachmodellen über verschiedene britische Datensätze hinweg ermöglicht und dabei eine hohe Vorhersageleistung für die ungeplante Krankenhauswiederaufnahme trotz demografischer Unterschiede und Vokabularbeschränkungen erzielt.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung eines Preprints, das nicht peer-reviewed wurde. Dies ist kein medizinischer Rat. Treffen Sie keine Gesundheitsentscheidungen auf Grundlage dieses Inhalts. Vollständigen Haftungsausschluss lesen
Krankenhäuser und Arztpraxen erzeugen einen massiven, kontinuierlichen Strom digitaler Notizen über Patienten. Diese elektronischen Aufzeichnungen enthalten die gesamte Krankengeschichte jedes Besuchs, jedes Rezepts und jedes Testergebnisses. Die Art und Weise, wie verschiedene Systeme diese Informationen aufschreiben, ist jedoch oft inkonsistent. Eine Klinik verwendet vielleicht einen spezifischen Code für einen Bluthochdruckwert, während eine andere einen völlig anderen Code für genau dasselbe verwendet. Dieser Mangel an Einheitlichkeit macht es schwierig, Daten aus verschiedenen Quellen zu kombinieren, um Muster zu finden oder Computer zu lehren, Gesundheitstrends zu erkennen. Um dies zu lösen, haben Forscher einen universellen Übersetzer für medizinische Daten entwickelt, ein gemeinsames Datenmodell (Common Data Model). Man kann es sich wie ein gemeinsames Wörterbuch vorstellen, das verschiedene Kodierungssysteme dazu zwingt, sich auf die Bedeutung eines medizinischen Ereignisses zu einigen, und so ein chaotisches Gemisch aus lokalem Jargon in eine einzige, standardisierte Sprache verwandelt. Die Hoffnung ist, dass, wenn Computer lernen können, diese universelle Sprache von einer Gruppe von Patienten zu verstehen, sie dieses Wissen auch auf eine völlig andere Gruppe von Patienten anderswo anwenden können, ohne von Grund auf neu trainiert werden zu müssen.
In einer kürzlich durchgeführten Studie setzten sich Forscher zum Ziel zu testen, ob diese Idee in der realen Welt funktioniert, indem sie zwei große Sammlungen von Gesundheitsakten aus dem Vereinigten Königreich verwendeten. Sie konzentrierten sich auf eine spezifische Aufgabe: die Vorhersage, ob ein Patient innerhalb von dreißig Tagen nach der Entlassung erneut notfallmäßig ins Krankenhaus eingeliefert werden müsste. Die zwei Datenquellen, die sie wählten, waren recht unterschiedlich. Ein Datensatz stammte aus einem Netzwerk von Hausarztpraxen in ganz England, während der andere nur aus Praxen in London stammte. Diese Gruppen von Menschen unterschieden sich in Alter, ethnischer Zugehörigkeit und wirtschaftlichem Hintergrund, und die Computer in jedem System hatten die Krankengeschichten ursprünglich unter Verwendung unterschiedlicher Kodierungssysteme aufgezeichnet. Die Forscher übersetzten zunächst beide Datensätze in die zuvor erwähnte standardisierte universelle Sprache. Dann trainierten sie ein hochentwickeltes Computerprogramm, bekannt als klinisches Sprachmodell, um die Muster im ersten Datensatz zu verstehen. Dieses Programm lernte, die Abfolge medizinischer Ereignisse zu lesen und die Wahrscheinlichkeit einer zukünftigen Notaufnahme-Wiederaufnahme einzuschätzen.
Der entscheidende Test kam, als die Forscher dieses trainierte Programm baten, sich den zweiten Datensatz, den aus London, anzusehen, ohne ihm ein neues Training zu geben. Sie wollten sehen, ob das aus der ersten Gruppe gewonnene Wissen auf die zweite Gruppe übertragen werden konnte. Die Ergebnisse waren ermutigend. Das Modell, das die Londoner Daten noch nie zuvor gesehen hatte, schnitt bei der neuen Gruppe fast so gut ab wie ein Modell, das von Anfang an speziell für diese Gruppe trainiert worden war. Es identifizierte gefährdete Patienten mit einem hohen Grad an Genauigkeit und übertraf damit bei weitem ein Modell, das ohne jegliches Vorwissen von Grund auf neu erstellt worden war. Dies deutet darauf hin, dass die Standardisierung der Daten es dem Computer ermöglichte, allgemeine Prinzipien über Gesundheitsrisiken zu erlernen, die über verschiedene Populationen hinweg gelten, selbst wenn diese Populationen auf dem Papier sehr unterschiedlich aussehen.
Die Forscher gruben auch tiefer, um zu verstehen, welche Teile der Krankenakten diese Vorhersagen vorantrieben. Sie fanden heraus, dass die wichtigsten Informationen aus der Vorgeschichte der Erkrankungen des Patienten und den Beobachtungen der Ärzte stammten, wie etwa Notizen zu Symptomen oder Befunden bei körperlichen Untersuchungen. Interessanterweise variierte die Bedeutung anderer Faktoren, wie etwa Medikamentenlisten oder spezifische Messwerte, je nachdem, welcher Datensatz verwendet wurde. In einer Gruppe verbesserte das Entfernen der Medikamentendaten tatsächlich die Leistung des Modells, während in der anderen Gruppe das Entfernen der Messdaten denselben Effekt hatte. Dies deutet darauf hin, dass die universelle Sprache dem Computer zwar half, das große Ganze zu verstehen, die spezifischen Details, die am wichtigsten sind, jedoch immer noch davon abhängen können, wie die Daten ursprünglich erhoben und organisiert wurden.
Trotz dieser Erfolge verdeutlichte die Studie einige praktische Grenzen. Der Prozess der Übersetzung der Datensätze in die Standardsprache war nicht perfekt; einige Informationen gingen verloren, da bestimmte lokale Codes keine direkte Entsprechung im universellen Wörterbuch hatten. Das Computerprogramm hatte zudem einen begrenzten Wortschatz, was bedeutete, dass es nicht jeden in dem neuen Datensatz gefundenen Code erkennen konnte. Dennoch bleibt die Kernerkenntnis robust: Indem man ungeordnete, lokale medizinische Aufzeichnungen in ein standardisiertes Format umwandelt, kann man leistungsstarke Werkzeuge schaffen, die über verschiedene Krankenhäuser und Regionen hinweg funktionieren. Dieser Ansatz bietet einen vielversprechenden Weg nach vorn, um medizinische Vorhersagewerkzeuge zu entwickeln, die nicht an ein einzelnes System gebunden sind, sodass Erkenntnisse aus einer Gemeinschaft potenziell Patienten in einer anderen zugutekommen können, unabhängig von den Unterschieden in deren lokalen Kodierungsgewohnheiten oder demografischen Merkmalen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.