المكاسب:
- القدرة على شرح خطوات تنظيف وترميز وتحليل بيانات السجل الصحي الإلكتروني (EHR) بالذكاء الاصطناعي.
- القدرة على التعرف على مخاطر البيانات السريرية مثل البيانات المفقودة والتحيز وعدم التوازن الطبقي والتسرب الزمني
- القدرة على التحقق من صحة مخرجات النموذج التنبؤي من خلال المعايرة وأداء المجموعة الفرعية والفائدة السريرية
ذاكرة المستشفيات الحديثة هي السجل الصحي الإلكتروني (EHR): مجموعة رقمية من التشخيصات ونتائج المختبرات والأدوية والإجراءات وملاحظات الممرضات وملاحظات الطبيب. تعتبر هذه البيانات بمثابة كنز وحقل ألغام للذكاء الاصطناعي. كنز لأنه يحتوي على ملايين الأنماط السنوية المرضية؛ حقل ألغام لأن البيانات السريرية غير منظمة، وغير كاملة، ومتحيزة، ومليئة بالفخاخ الزمنية. تتضمن هذه الوحدة تنظيف وترميز وتحليل بيانات السجلات الصحية الإلكترونية باستخدام الذكاء الاصطناعي؛ الأخطاء الأكثر غدرا (التسرب الزمني، والتحيز، وعدم التوازن الطبقي)؛ وسنرى كيف يتم التحقق من صحة مخرجات النموذج التنبؤي.
دعونا نذكر من البداية: قد يقول نموذج المخاطر "هذا المريض لديه احتمال كبير لإعادة القبول"؛ ولكن هذا هو نتيجة دعم القرار، وليس قرار التشخيص أو العلاج. الذكاء الاصطناعي لا يقوم بالتشخيص؛ القرار متروك للطبيب والفريق السريري.
خطوات العمل مع بيانات السجل الصحي الإلكتروني
الخطوة 1 - طرح ودمج. تأتي البيانات من أنظمة مختلفة (المختبر، الصيدلة، الأشعة)؛ يتم دمجها مع معرف المريض. في هذه المرحلة، تعتبر السرية هي الأولوية القصوى (انظر الوحدة 10).
الخطوة 2 - التنظيف. يتم حذف القيم المفقودة، وتناقضات الوحدة (الخلط بين ملغم/ديسيلتر ومليمول/لتر)، والسجلات المكررة، والقيم غير المحتملة (العمر 200، ضغط الدم 0). الذكاء الاصطناعي قوي هنا في وضع العلامات الخارجية وهيكلة النص الحر.
الخطوة 3 - الترميز والتوحيد القياسي. يتم تعيين التشخيص إلى الرموز القياسية مثل التصنيف الدولي للأمراض (ICD)، ويتم تعيين الأدوية إلى القواميس القياسية. يُطلق على استخراج المعلومات المنظمة من الملاحظات النصية المجانية اسم معالجة اللغة الطبيعية (NLP)؛ الذكاء الاصطناعي ذو قيمة كبيرة هنا، لكن مخرجاته تتطلب التحقق من صحتها.
الخطوة 4 - هندسة الميزات. يتم إنشاء مدخلات النموذج من البيانات الأولية: آخر قيمة مختبرية، والاتجاه، وعدد الأدوية، ودرجة الاعتلال المشترك، وما إلى ذلك.
الخطوة 5 - النمذجة والتقييم. تم بناء النموذج التنبئي وتقييم الجزء الأكثر أهمية منه بطريقة دقيقة وخالية من التسرب.
الأخطاء الثلاثة الأكثر غدرا
تسرب مؤقت. وضع معلومات في الميزة التي لم تكن موجودة بعد في وقت التنبؤ. على سبيل المثال، استخدام تشخيص الخروج أو الاختبارات المعملية في اليوم الأخير لتقدير خطر الوفاة عند القبول. يبدو النموذج مثاليًا في المختبر، لكنه يتعطل في الاستخدام الحقيقي لأنه رأى "المستقبل".
إجحاف. تعكس البيانات القرارات السريرية السابقة؛ إذا كانت هذه القرارات غير متكافئة بالفعل، فإن النموذج يتعلم ذلك ويعززه. على سبيل المثال، إذا تم طلب مجموعة معينة تاريخيًا إجراء اختبارات أقل، فقد يعتقد النموذج أن المرض "أقل" في تلك المجموعة.
عدم التوازن الطبقي. إذا كان الحدث محل الاهتمام (على سبيل المثال، أحد المضاعفات النادرة) يمثل 1% من البيانات، فإن النموذج الذي يقول دائمًا "لا يوجد حدث" سيبدو دقيقًا بنسبة 99% ولكنه سيكون عديم الفائدة. بدلاً من الدقة، هناك حاجة إلى الحساسية والدقة والمقاييس القائمة على الأحداث.
التقييم: التمييز لا يكفي، المعايرة أمر لا بد منه
هناك سؤالان مختلفان. التمييز (المقياس النموذجي للمساحة تحت المنحنى): هل يقوم النموذج بتصنيف المرضى بشكل صحيح حسب المخاطر؟ المعايرة: هل تتطابق الاحتمالات الواردة في النموذج مع الترددات الفعلية؟ هل ما يقرب من 20% من المرضى الذين يقولون "20% خطر" لديهم بالفعل حدث ما؟ وبما أن القرارات يتم اتخاذها بناءً على العتبات في العيادة، فإن النموذج الجيد التصنيف ولكن المعايرة بشكل سيئ سيؤدي إلى قرارات غير صحيحة. بالإضافة إلى ذلك، يجب الإبلاغ عن أداء المجموعة الفرعية (العمر والجنس والانتماء العرقي والمستشفى) بشكل منفصل ويجب طرح سؤال الفائدة السريرية (هل يؤدي استخدام هذا النموذج حقًا إلى نتائج أفضل؟).
ثلاث حالات صغيرة: بالأرقام
الحالة 1 - النجاح يتضخم بسبب التسرب. أدى نموذج إعادة القبول إلى الحصول على AUC بقيمة 0.92 في الاختبار الداخلي؛ تبدو رائعة. وجدت المراجعة أن الميزات تتضمن "حجز موعد للمرضى الخارجيين بعد الخروج من المستشفى"؛ ولم تكن هذه المعلومات متاحة في وقت التنبؤ. بمجرد تنظيف التسرب، انخفضت المساحة تحت المنحنى إلى 0.71 - وهي قيمة واقعية وقابلة للاستخدام.
الحالة 2 – انجراف المعايرة. في حين تمت معايرة درجة الإنذار المبكر للإنتان بشكل جيد في المستشفى حيث تم تطويرها، أظهر ملف المريض ضعف معدل الحدث الفعلي لنفس النتيجة في مستشفى مختلف. تم ترتيب النتيجة بشكل صحيح ولكن الاحتمالات كانت خاطئة. لا يمكن استخدام العتبة دون إعادة المعايرة.
الحالة 3 - توفير الوقت مع البرمجة اللغوية العصبية. كان أحد فرق البحث يستخرج تاريخ التدخين يدويًا من 12000 ملاحظة مريض؛ حوالي دقيقتين لكل ملاحظة، بإجمالي 400 ساعة. أدى الاستخراج بمساعدة البرمجة اللغوية العصبية إلى تقليل هذه المدة إلى بضع ساعات. قام الفريق فقط بفحص عينة التحقق التي تم اختيارها عشوائيًا والتي تركها النموذج "غير واضحة". وكان من الأهمية بمكان الفحص الدقيق لعينة التحقق من الصحة.
موجه ضعيف / موجه قوي
حث ضعيف:
أنشئ نموذجًا للمخاطر من بيانات المريض وأبلغ عن النتائج.[البيانات]
مطالبة قوية:
دورك: أنت مساعد تحليل البيانات السريرية (أنت لا تقرر). نقد نموذج التنبؤ PLAN للقائمة التالية من المتغيرات المجهولة: - حدد ما إذا كان كل متغير موجودًا في وقت التنبؤ (خطر التسرب الزمني). - قم بإدراج اختلال التوازن الطبقي والمصادر المحتملة للتحيز. - اقترح التمييز + المعايرة + المجموعة الفرعية + الفائدة السريرية للتقييم. - اذكر أن القرار يقع على عاتق الفريق السريري. المتغيرات المجهولة والهدف:[قائمة]
أربعة قوالب قابلة للنسخ
1) فحص التسرب:
صنف قائمة الميزات التالية على أنها "متاحة في وقت التنبؤ" / "معلومات مستقبلية (تسرب)" وقم بتبريرها. الهدف ولحظة التنبؤ: [تعريف]. الميزات: [قائمة]
2) تقرير جودة البيانات:
التحقق من معدل القيمة المفقودة والقيم المفقودة وعدم اتساق الوحدة والسجل المكرر لهذا الجدول المجهول؛ يظهر جدول ملخص الجودة. الجدول: [البيانات]
3) نظام التحقق من الاستدلال NLP:
اكتب خطة التحقق من صحة خطوة البرمجة اللغوية العصبية التي تستخرج [متغير] من التعليقات التوضيحية للنص الحر: حجم العينة العشوائي، ووضع العلامات القياسية الذهبية، ومقياس الملاءمة، وتحليل الأخطاء.
4) إطار التقييم:
اكتب مسودة إطار تقييم لهذا النموذج السريري: التمييز (AUC)، منحنى المعايرة، أداء المجموعة الفرعية، تحليل منحنى القرار. الموديل: [الوصف]
دور النموذج: حسب نوع المهمة
نوع المهمة
مساهمة الذكاء الاصطناعي
الحرجية
التحقق
تنظيف البيانات/الخارجة
عالية
منخفض
فحص البقعة
استخراج البرمجة اللغوية العصبية من الملاحظات
عالية
متوسطة
التحقق من صحة العينة
تسجيل المخاطر/التنبؤ
متوسطة
عالية
معايرة + مجموعة فرعية
تخطيط الموارد/القدرات
متوسطة
متوسطة
موافقة وحدة الأعمال
قرار العلاج
محدودة
عالية جدا
موافقة الطبيب الكاملة
نصيحة: إذا كانت المساحة تحت المنحنى للنموذج السريري مرتفعة بشكل غير متوقع (على سبيل المثال أعلى من 0.95)، فابحث عن التسرب الزمني قبل الاحتفال. في العالم الحقيقي، عادة ما تكون هذه القيم العالية علامة على تسرب المعلومات.
تحذير: قد يتعلم النموذج ويعزز عدم المساواة في البيانات التاريخية. الدقة الشاملة العالية قد تنطوي على ضرر منهجي في مجموعات معينة من المرضى؛ يجب دائمًا الإبلاغ عن الأداء في مجموعات فرعية.
الأخطاء الشائعة
- عدم ملاحظة تسرب مؤقت. معرفة المستقبل تنتج نجاحاً زائفاً في المختبر.
- كن راضيا عن الدقة. الدقة مضللة مع البيانات غير المتوازنة؛ الحساسية والمعايرة المطلوبة.
- عدم الإبلاغ عن المجموعات الفرعية. يخفي المقياس العام التحيز وعدم المساواة.
- تخطي المعايرة. حتى نموذج التصنيف الجيد يمكن أن يرتكب أخطاء في قراراته.
- ترك القرار للنموذج. الإخراج هو الدعم. قرار العلاج متروك للفريق السريري.
باختصار
- تعد بيانات السجلات الصحية الإلكترونية قوية ولكنها غير مكتملة وغير كاملة ومتحيزة؛ يعد التنظيف والترميز خطوات حاسمة.
- التسرب الزمني هو الخطأ الأكثر غدرا. المعرفة المستقبلية تنتج نجاحا زائفا في المختبر.
- يؤدي عدم توازن الفئة والتحيز إلى جعل مقياس الدقة مضللاً.
- يجب أن يشمل التقييم التمييز والمعايرة والتصنيف الفرعي والفائدة السريرية.
- دعم مخرجات التوقعات؛ قرارات التشخيص والعلاج تنتمي إلى الفريق السريري.
مهمة التطبيق
أنشئ هدفًا للتنبؤ وقائمة من عشرة متغيرات (قم بتضمين متغير "محتمل" عمدًا، على سبيل المثال تشخيص التفريغ). استخدم المطالبة القوية للتحقق من النموذج بحثًا عن التسريبات ومعرفة ما إذا كان يلتقط هذا المتغير. ثم اكتب إطار تقييم لهذا النموذج في ثلاثة بنود، بما في ذلك التمييز، والمعايرة، والتجميع الفرعي.
قائمة مرجعية
- [ ] أفهم خطوات الاستخراج والتنظيف والترميز والنمذجة للعمل مع بيانات السجل الصحي الإلكتروني.
- [ ] يمكنني التعرف على التسرب الزمني وفحص قائمة الممتلكات.
- [ ] أدركت كيف أن عدم التوازن الطبقي والتحيز يضلل الدقة.
- [ ] أعرف الفرق بين التمييز والمعايرة وضرورة كليهما.
- [ ] يمكنني وضع المخرجات التنبؤية كدعم، وليس كقرار.