Scaling Electronic Health Record Foundation Models for Population Health Management
Dit artikel introduceert een schaalbaar Electronic Health Record Foundation Model dat is voorgetraind op miljarden cross-site medische gebeurtenissen van meer dan 5 miljoen patiënten in de VS en Taiwan, wat een superieure prestatie en generalisatie vertoont bij het voorspellen van 11 chronische ziekten vergeleken met bestaande modellen door gebruik te maken van een uniform code-alignment framework en compute-optimale schaling.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Huidige gezondheidszorgsystemen werken vaak als een verzameling geïsoleerde eilanden. Een patiënt kan een specialist zien in de ene stad, een test laten doen in een andere, en een recept ophalen in een derde, waarbij elke locatie zijn eigen afzonderlijke dossiers bijhoudt. Deze versnippering maakt het moeilijk om een volledig beeld te krijgen van de gezondheid van een persoon in de loop van de tijd. Wanneer artsen deze punten niet gemakkelijk kunnen verbinden, kunnen ze de vroege waarschuwingssignalen van ernstige, langdurige ziekten zoals hartziekten of kanker missen. Tegen de tijd dat deze aandoeningen worden gedetecteerd, zijn ze vaak gevorderd, wat dure en intensieve behandeling vereist. Het doel van populatiegezondheidsbeheer is om dit op te lossen door enorme hoeveelheden patiëntgegevens te analyseren om mensen te vinden die een risico lopen voordat ze zich überhaupt ziek voelen, waardoor vroegtijdige, levensreddende interventies mogelijk worden.
Om dit te bereiken, hebben onderzoekers zich gericht op elektronische patiëntendossiers, de digitale logs van elk bezoek, elke test en elke medicatie die een patiënt ontvangt. Deze dossiers zijn echter niet geschreven in één universele taal. De ene kliniek gebruikt misschien een specifieke code voor een veelvoorkomende procedure, terwijl een ziekenhuis in een ander land een totaal andere code gebruikt voor precies hetzelfde ding. Deze mismatch heeft het bijna onmogelijk gemaakt om computersystemen te trainen om te leren van gegevens uit verschillende regio's. Een nieuwe studie introduceert een oplossing genaamd EHR-FM, een massaal computermodel dat ontworpen is om deze medische dossiers te lezen en te begrijpen, ongeacht waar ze vandaan komen. Door te leren van miljarden medische gebeurtenissen van meer dan vijf miljoen patiënten uit zowel de Verenigde Staten als Taiwan, heeft het systeem geleerd de subtiele patronen te herkennen die voorafgaan aan chronische ziekten, zelfs wanneer de gegevens afkomstig zijn uit twee zeer verschillende medische werelden.
De kernuitdaging waar de onderzoekers voor stonden, was niet alleen de enorme hoeveelheid gegevens, maar ook de verwarring veroorzaakt door verschillende coderingssystemen. Stel je voor dat je een nieuwe taal probeert te leren waarbij het woord voor "hartaanval" in elk boek dat je openslaat anders wordt gespeld. In medische dossiers kan een enkel medicijn of een procedure honderden verschillende namen hebben, afhankelijk van het lokale facturatiesysteem. Om dit op te lossen, bouwde het team een vertaler die al deze verschillende codes omzet in een enkele, verenigde taal voordat de computer ze ziet. Ze gebruikten een combinatie van officiële medische woordenboeken en geavanceerde kunstmatige intelligentie om duizenden lokale codes te koppelen aan standaard internationale codes. Dit stelde hen in staat om dossiers uit Taiwan en de Verenigde Staten te combineren tot één massale, samenhangende dataset die bijna tien miljard medische gebeurtenissen bevat.
Met deze verenigde gegevens trainden de onderzoekers een groot fundatiemodel, een type kunstmatige intelligentie dat algemene regels leert van enorme hoeveelheden informatie. Ze testten hoe de prestaties van het model veranderden naarmate ze de omvang en de hoeveelheid gegevens vergrootten. Ze ontdekten dat het model een voorspelbaar patroon volgde: naarmate ze meer rekenkracht en meer gegevens toevoegden, werd het model aanzienlijk beter in zijn taak. Ze bouwden versies van het model variërend van zeer klein tot meer dan twee miljard parameters, een maatstaf voor de complexiteit en het leervermogen ervan. De grootste versie, getraind op deze grensoverschrijdende gegevens, bleek uitzonderlijk bekwaam in het voorspellen van het ontstaan van grote ziekten.
Wanneer getest in realistische scenario's, toonde het model een opmerkelijk vermogen om patiënten te identificeren die binnen het volgende jaar aandoeningen zoals kanker, hartfalen of een beroerte zouden ontwikkelen. In de Verenigde Staten behaalde het model een AUC van 0,4 voor toekomstige gevallen van hartziekten, terwijl het aantal valse meldingen extreem laag bleef. In de Taiwanese gegevens behaalde het een AUC van 0,7 voor toekomstige gevallen met hetzelfde hoge niveau van nauwkeurigheid. Deze hoge sensitiviteit is cruciaal voor populatiegezondheid; het betekent dat het systeem risicovolle individuen kan signaleren voor verdere screening zonder artsen te overbelasten met valse waarschuwingen. Het model presteerde beter dan traditionele computerprogramma's die vertrouwen op eenvoudige regels en overtrof ook andere geavanceerde AI-modellen die alleen op gegevens van één locatie waren getraind.
Misschien wel de meest opvallende bevinding was hoe goed het model omging met gegevens uit plaatsen die het nog nooit eerder had gezien. Toen het werd getest op een volledig andere set patiëntendossiers van de Stanford University, die andere coderingssystemen gebruikten en een andere populatie besloegen, presteerde het model nog steeds beter dan eerdere state-of-the-art systemen. Dit suggereert dat het model, door te leren van een diverse mix van gegevens, een dieper begrip heeft ontwikkeld van menselijke ziekten dat lokale verschillen overstijgt. De onderzoekers ontdekten ook dat het simpelweg kopiëren van dezelfde gegevens om een grotere dataset te maken niet hielp om het model net zo goed te laten leren als het toevoegen van nieuwe, diverse gegevens uit verschillende regio's. Dit geeft aan dat de variëteit van de informatie even belangrijk is als de kwantiteit.
De studie bevestigt dat het mogelijk is om krachtige, schaalbare instrumenten te bouwen voor het voorspellen van chronische ziekten door medische dossiers van over de hele wereld te verenigen. De onderzoekers hebben aangetoond dat door verschillende coderingssystemen op elkaar af te stemmen, zij een model kunnen creëren dat leert van de collectieve geschiedenis van miljoenen patiënten en risico's identificeert die anders misschien onopgemerkt zouden blijven. Hoewel het model nog geen vervanging is voor het oordeel van een arts, biedt het een krachtige nieuwe manier om zorg te prioriteren. Door risicovolle individuen vroegtijdig te signaleren, kunnen gezondheidszorgsystemen verschuiven van het reageren op ziekte naar het voorkomen ervan, wat potentieel levens redt en de druk op medische middelen vermindert. De onderzoekers hebben hun code beschikbaar gesteld aan anderen, in de hoop dat deze aanpak zal helpen bij het bouwen van een toekomst waarin proactieve, op gegevens gebaseerde zorg toegankelijk is voor iedereen, ongeacht waar men woont.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.