Scaling Electronic Health Record Foundation Models for Population Health Management
Este artículo presenta un Modelo Fundacional de Registros Médicos Electrónicos escalable, preentrenado con miles de millones de eventos médicos de múltiples centros de más de 5 millones de pacientes en los EE. UU. y Taiwán, el cual demuestra un rendimiento y una generalización superiores en la predicción de 11 enfermedades crónicas en comparación con los modelos existentes al aprovechar un marco de alineación de códigos unificado y un escalado computacionalmente óptimo.
Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
Los sistemas de salud actuales suelen operar como una colección de islas aisladas. Un paciente puede ver a un especialista en una ciudad, realizarse una prueba en otra y surtir una receta en una tercera, con cada ubicación manteniendo sus propios registros separados. Esta fragmentación dificulta la capacidad de ver el panorama completo de la salud de una persona a lo largo del tiempo. Cuando los médicos no pueden conectar estos puntos fácilmente, pueden pasar por alto las señales de advertencia tempranas de enfermedades graves y crónicas, como las enfermedades cardíacas o el cáncer. Para cuando estas condiciones se detectan, suelen estar avanzadas, lo que requiere un tratamiento costoso e intensivo. El objetivo de la gestión de la salud de la población es resolver esto mediante la observación de vastas cantidades de datos de pacientes para encontrar a personas que están en riesgo antes de que lleguen a sentirse enfermas, permitiendo intervenciones tempranas que salvan vidas.
Para lograr esto, los investigadores se han vuelto hacia las historias clínicas electrónicas, los registros digitales de cada visita, prueba y medicamento que recibe un paciente. Sin embargo, estos registros no están escritos en un lenguaje único y universal. Un hospital podría usar un código específico para un procedimiento común, mientras que un hospital en otro país utiliza un código completamente diferente para exactamente lo mismo. Este desajuste ha hecho que sea casi imposible entrenar sistemas informáticos para aprender de datos de diferentes regiones. Un nuevo estudio introduce una solución llamada EHR-FM, un modelo computacional masivo diseñado para leer y comprender estos registros médicos independientemente de dónde provengan. Al aprender de miles de millones de eventos médicos que involucran a más de cinco millones de pacientes tanto de Estados Unidos como de Taiwán, el sistema ha aprendido a detectar los patrones sutiles que preceden a las enfermedades crónicas, incluso cuando los datos provienen de dos mundos sanitarios muy diferentes.
El desafío central que enfrentaron los investigadores no fue solo el enorme volumen de datos, sino la confusión causada por los diferentes sistemas de codificación. Imagine intentar aprender un nuevo idioma donde la palabra para "ataque al corazón" se escribe de forma diferente en cada libro que abre. En los registros médicos, un solo fármaco o procedimiento puede tener cientos de nombres diferentes dependiendo del sistema de facturación local. Para solucionar esto, el equipo construyó un traductor que convierte todos estos diferentes códigos en un lenguaje único y unificado antes de que la computadora los vea. Utilizaron una combinación de diccionarios médicos oficiales e inteligencia artificial avanzada para mapear miles de códigos locales a estándares internacionales. Esto permitió combinar los registros de Taiwán y los Estados Unidos en un conjunto de datos masivo y coherente que contiene casi diez mil millones de eventos médicos.
Con estos datos unificados, los investigadores entrenaron un gran modelo fundacional, un tipo de inteligencia artificial que aprende reglas generales a partir de vastas cantidades de información. Probaron cómo cambiaba el rendimiento del modelo a medida que aumentaban su tamaño y la cantidad de datos que veía. Descubrieron que el modelo seguía un patrón predecible: a medida que añadían más potencia de cálculo y más datos, el modelo se volvía significativamente mejor en su labor. Construyeron versiones del modelo que iban desde muy pequeñas hasta más de dos mil millones de parámetros, una medida de su complejidad y capacidad de aprendizaje. La versión más grande, entrenada con estos datos transfronterizos, demostró ser excepcionalmente hábil en la predicción del inicio de enfermedades mayores.
Al ser probado en escenarios del mundo real, el modelo demostró una capacidad notable para identificar pacientes que desarrollarían afecciones como cáncer, insuficiencia cardíaca o accidente cerebrovascular dentro del siguiente año. En los Estados Unidos, el modelo logró un AUC de 0.4 para casos futuros de enfermedades cardíacas manteniendo las falsas alarmas extremadamente bajas. En los datos de Taiwán, alcanzó un AUC de 0.7 para casos futuros con el mismo alto nivel de precisión. Esta alta sensibilidad es crucial para la salud de la población; significa que el sistema puede señalar a individuos de alto riesgo para un mayor seguimiento sin abrumar a los médicos con advertencias falsas. El modelo superó a los programas informáticos tradicionales que dependen de reglas simples y también sobrepasó a otros modelos de IA avanzados que habían sido entrenados únicamente con datos de una sola ubicación.
Quizás el hallazgo más sorprendente fue la eficacia con la que el modelo manejó datos de lugares que nunca había visto. Cuando se probó en un conjunto de registros de pacientes completamente diferente de la Universidad de Stanford, que utilizaba sistemas de codificación distintos y cubría una población diferente, el modelo aun así funcionó mejor que los sistemas de vanguardia anteriores. Esto sugiere que, al aprender de una mezcla diversa de datos, el modelo desarrolló una comprensión más profunda de la enfermedad humana que trasciende las diferencias locales. Los investigadores también descubrieron que simplemente copiar los mismos datos repetidamente para crear un conjunto de datos más grande no ayudaba al modelo a aprender tan bien como añadir nuevos datos diversos de diferentes regiones. Esto indica que la variedad de la información es tan importante como la cantidad.
El estudio confirma que es posible construir herramientas potentes y escalables para la predicción de enfermedades crónicas unificando los registros médicos de todo el mundo. Los investigadores demostraron que, al alinear los diferentes sistemas de codificación, podían crear un modelo que aprende de la historia colectiva de millones de pacientes, identificando riesgos que de otro modo podrían pasar desapercibidos. Si bien el modelo aún no es un reemplazo para el juicio de un médico, ofrece una nueva y poderosa forma de priorizar la atención. Al señalar a los individuos de alto riesgo de manera temprana, los sistemas de salud pueden pasar de reaccionar ante la enfermedad a prevenirla, potencialmente salvando vidas y reduciendo la carga sobre los recursos médicos. Los investigadores han puesto su código a disposición de otros, con la esperanza de que este enfoque ayude a construir un futuro donde la atención proactiva y basada en datos sea accesible para todos, independientemente de dónde vivan.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.