Scaling Electronic Health Record Foundation Models for Population Health Management
Este artigo apresenta um Modelo de Fundação de Registros Eletrônicos de Saúde escalável, pré-treinado em bilhões de eventos médicos de múltiplos locais provenientes de mais de 5 milhões de pacientes nos EUA e em Taiwan, o qual demonstra desempenho e generalização superiores na predição de 11 doenças crônicas em comparação com modelos existentes ao alavancar um framework de alinhamento de códigos unificado e escalonamento computacionalmente otimizado.
Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo
Os sistemas de saúde hoje operam frequentemente como uma coleção de ilhas isoladas. Um paciente pode consultar um especialista em uma cidade, fazer um exame em outra e buscar uma prescrição em uma terceira, com cada local mantendo seus próprios registros separados. Essa fragmentação torna difícil visualizar o quadro completo da saúde de uma pessoa ao longo do tempo. Quando os médicos não conseguem conectar esses pontos facilmente, eles podem perder os sinais de alerta precoces de doenças graves e de longo prazo, como doenças cardíacas ou câncer. O objetivo da gestão da saúde populacional é resolver isso, observando vastas quantidades de dados de pacientes para encontrar pessoas que estão em risco antes mesmo de ficarem doentes, permitos intervenções precoces que salvam vidas.
Para alcançar isso, pesquisadores recorreram aos prontuários eletrônicos de saúde, os registros digitais de cada visita, teste e medicação que um paciente recebe. No entanto, esses registros não são escritos em uma linguagem única e universal. Um hospital pode usar um código específico para um procedimento comum, enquanto um hospital em um país diferente usa um código completamente diferente para a exata mesma coisa. Esse descompasso tornou quase impossível treinar sistemas de computador para aprender com dados de diferentes regiões. Um novo estudo introduz uma solução chamada EHR-FM, um modelo de computador massivo projetado para ler e compreender esses prontuários médicos, independentemente de onde venham. Ao aprender com bilhões de eventos médicos envolvendo mais de cinco milhões de pacientes tanto dos Estados Unidos quanto de Taiwan, o sistema aprendeu a detectar os padrões sutis que precedem doenças crônicas, mesmo quando os dados vêm de dois mundos de saúde muito diferentes.
O desafio central que os pesquisadores enfrentaram não foi apenas o volume colossal de dados, mas a confusão causada por diferentes sistemas de codificação. Imagine tentar aprender uma nova língua onde a palavra para "ataque cardíaco" é escrita de forma diferente em cada livro que você abre. Nos registros médicos, um único medicamento ou procedimento pode ter centenas de nomes diferentes dependendo do sistema de faturamento local. Para corrigir isso, a equipe construiu um tradutor que converte todos esses diferentes códigos em uma linguagem única e unificada antes que o computador os veja. Eles utilizaram uma combinação de dicionários médicos oficiais e inteligência artificial avançada para mapear milhares de códigos locais para padrões internacionais. Isso permitiu combinar registros de Taiwan e dos Estados Unidos em um conjunto de dados massivo e coerente, contendo quase dez bilhões de eventos médicos.
Com esses dados unificados, os pesquisadores treinaram um grande modelo de fundação, um tipo de inteligência artificial que aprende regras gerais a partir de vastas quantidades de informações. Eles testaram como o desempenho do modelo mudava à medida que aumentavam seu tamanho e a quantidade de dados que ele via. Eles descobriram que o modelo seguia um padrão previsível: conforme adicionavam mais poder computacional e mais dados, o modelo tornava-se significavelmente melhor em sua função. Eles construíram versões do modelo variando de muito pequenas a mais de dois bilhões de parâmetros, uma medida de sua complexidade e capacidade de aprendizado. A versão mais robusta, treinada com esses dados transfronteiriços, provou ser excepcionalmente habilidosa em prever o surgimento de doenças graves.
Ao serem testados em cenários do mundo real, o modelo demonstrou uma capacidade notável de identificar pacientes que desenvolveriam condições como câncer, insuficiência cardíaca ou acidente vascular cerebral no próximo ano. Nos Estados Unidos, o modelo alcançou um AUC de 0,4 para futuros casos de doenças cardíacas, mantendo os alarmes falsos extremamente baixos. Nos dados de Taiwan, alcançou um AUC de 0,7 para futuros casos com o mesmo alto nível de precisão. Essa alta sensibilidade é crucial para a saúde populacional; significa que o sistema pode sinalizar indivíduos de alto risco para triagens adicionais sem sobrecarregar os médicos com avisos falsos. O modelo superou programas de computador tradicionais que dependem de regras simples e também superou outros modelos de IA avançados que haviam sido treinados apenas em dados de uma única localização.
Talvez a descoberta mais impressionante tenha sido o quão bem o modelo lidou com dados de lugares que ele nunca havia visto antes. Quando testado em um conjunto completamente diferente de registros de pacientes da Universidade Stanford, que utilizava sistemas de codificação diferentes e abrangia uma população distinta, o modelo ainda assim teve um desempenho superior aos sistemas de última geração anteriores. Isso sugere que, ao aprender de uma mistura diversificada de dados, o modelo desenvolveu uma compreensão mais profunda da doença humana que transcende as diferenças locais. Os pesquisadores também descobriram que simplesmente copiar os mesmos dados repetidamente para criar um conjunto de dados maior não ajudou o modelo a aprender tão bem quanto adicionar novos dados diversos de diferentes regiões. Isso indica que a variedade da informação é tão importante quanto a quantidade.
O estudo confirma que é possível construir ferramentas poderosas e escaláveis para a previsão de doenças crônicas ao unificar prontuários médicos de todo o mundo. Os pesquisadores mostraram que, ao alinhar diferentes sistemas de codificação, poderiam criar um modelo que aprende com a história coletiva de milhões de pacientes, identificando riscos que poderiam passar despercebidos. Embora o modelo ainda não seja um substituto para o julgamento médico, ele oferece uma nova maneira poderosa de priorizar o cuidado. Ao sinalizar indivíduos de alto risco precocemente, os sistemas de saúde podem mudar de uma postura reativa à doença para uma postura de prevenção, potencialmente salvando vidas e reduzindo a carga sobre os recursos médicos. Os pesquisadores disponibilizaram seu código para outros, esperando que essa abordagem ajude a construir um futuro onde o cuidado proativo e baseado em dados seja acessível a todos, independentemente de onde vivam.
Afogado em artigos na sua área?
Receba digests diários dos artigos mais recentes que correspondam às suas palavras-chave de pesquisa — com resumos técnicos, no seu idioma.