Hagnaður:
- Geta til að útskýra skrefin í hreinsun, kóðun og greiningu rafrænna sjúkraskrár (EHR) gögn með gervigreind.
- Hæfni til að viðurkenna hættur á klínískum gögnum eins og vantar gögn, hlutdrægni, ójafnvægi í flokki og tímabundinn leka
- Geta til að sannreyna forspárlíkanaúttak með kvörðun, frammistöðu undirhópa og klínískt gagnsemi
Minni nútímasjúkrahúsa er rafræn sjúkraskrá (EHR): stafrænt safn greininga, rannsóknarniðurstaðna, lyfja, verklags, hjúkrunarfræðinga og athugana lækna. Þessi gögn eru bæði fjársjóður og jarðsprengja fyrir gervigreind. Fjársjóður vegna þess að hann inniheldur milljónir sjúkra árlegra mynstur; jarðsprengjusvæði vegna þess að klínísk gögn eru óskipulögð, ófullnægjandi, hlutdræg og full af tímabundnum gildrum. Þessi eining felur í sér að þrífa, kóða og greina EHR gögn með gervigreind; skaðlegustu villurnar (tímabundinn leki, hlutdrægni, ójafnvægi í stéttum); og við munum sjá hvernig forspárlíkanið er staðfest.
Við skulum minna á það frá upphafi: áhættulíkan getur sagt "þessi sjúklingur hefur miklar líkur á endurinnlögn"; en þetta er ákvörðunarstuðningur, ekki greining eða meðferðarákvörðun. AI greinir ekki; Ákvörðunin er undir lækninum og klínískum teymi komið.
Skref til að vinna með EHR gögn
Skref 1 — Dragðu frá og sameinaðu. Gögn koma frá mismunandi kerfum (rannsóknarstofu, lyfjafræði, geislafræði); er sameinað sjúklingaauðkenni. Á þessu stigi er trúnaður í forgangi (sjá deild 10).
Skref 2 - Þrif. Gildi sem vantar, ósamræmi í einingum (rugling á mg/dL og mmól/L), tvíteknar skrár og ólíkleg gildi (200 ára aldur, blóðþrýstingur 0) er eytt. Gervigreind er sterk hér í útmerkingum og uppbyggingu frjálsra texta.
Skref 3 — Kóðun og stöðlun. Sjúkdómum er kortlagt í staðlaða kóða eins og ICD (International Classification of Diseases) og lyf eru kortlögð í staðlaðar orðabókir. Að draga skipulagðar upplýsingar úr frjálsum textaskýringum er kallað náttúruleg málvinnsla (NLP); AI er dýrmætt hér, en framleiðsla þess krefst staðfestingar.
Skref 4 — Eiginleikaverkfræði. Aðföng líkansins eru mynduð úr hráum gögnum: síðasta rannsóknarstofugildi, þróun, fjöldi lyfja, stig um fylgisjúkdóma o.s.frv.
Skref 5 — Líkangerð og mat. Forspárlíkanið er byggt og - mikilvægasti hlutinn - metinn á varlegan, lekalausan hátt.
Þrjú skaðlegustu mistökin
Tímabundinn leki. Að setja upplýsingar inn í eiginleikann sem er ekki enn til á þeim tíma sem spáin er gerð. Til dæmis að nota útskriftargreiningu eða síðasta dag rannsóknarstofupróf til að meta hættu á dauða við innlögn. Líkanið lítur fullkomlega út á rannsóknarstofunni, en hrynur við raunverulega notkun vegna þess að það hefur séð "framtíðina".
Fordómar. Gögnin endurspegla fyrri klínískar ákvarðanir; Ef þessar ákvarðanir eru nú þegar misjafnar, lærir líkanið og styrkir þetta. Til dæmis, ef ákveðinn hópur hefur í gegnum tíðina verið pantaður minna til að prófa, gæti líkanið haldið að sjúkdómurinn sé „lægri“ í þeim hópi.
Ójafnvægi í stéttum. Ef atburðurinn sem vekur áhuga (t.d. sjaldgæfur fylgikvilli) er 1% af gögnunum, myndi líkan sem segir alltaf "enginn atburður" líta 99% nákvæm út en væri gagnslaus. Í stað nákvæmni er krafist næmni, nákvæmni og atburðamiðaðra mælikvarða.
Mat: Mismunun er ekki nóg, kvörðun er nauðsynleg
Það eru tvær mismunandi spurningar. Mismunun (dæmigerður mælikvarði á AUC): raðar líkanið sjúklingum rétt eftir áhættu? Kvörðun: passa líkurnar sem líkanið gefur upp við raunverulegar tíðnir? Eru um það bil 20% sjúklinganna sem segja "20% áhættu" í raun með atburði? Þar sem ákvarðanir eru teknar út frá þröskuldum á heilsugæslustöðinni mun vel raðað en illa kvarðað líkan leiða til rangra þröskuldaákvarðana. Að auki ætti að tilkynna sérstaklega um frammistöðu undirhópa (aldur, kyn, þjóðerni, sjúkrahús) og spyrja spurningarinnar um klínískt gagnsemi (birtir notkun þessa líkans virkilega betri niðurstöður?)
Þrjú Mini Cases: By the Numbers
Tilfelli 1 - Árangur blásinn upp vegna leka. Endurupptökulíkan gaf AUC 0,92 í innri prófun; það leit frábærlega út. Endurskoðunin leiddi í ljós að eiginleikar innihéldu „fundur á göngudeildum eftir útskrift“; Þessar upplýsingar voru ekki tiltækar þegar spáin var gerð. Þegar búið var að hreinsa upp lekann lækkaði AUC í 0,71 - raunhæft og nothæft gildi.
Tilfelli 2 — Kvörðunarsvif. Þó að viðvörunarstig fyrir blóðsýkingu hafi verið vel kvarðað á sjúkrahúsinu þar sem það var þróað, sýndi sjúklingasniðið tvöfalt raunverulegt atvikshraða fyrir sama stig á öðru sjúkrahúsi. Skorið var rétt raðað en líkurnar voru rangar; ekki var hægt að nota þröskuldinn án endurkvörðunar.
Tilfelli 3 — Sparaðu tíma með NLP. Eitt rannsóknarteymi var að draga reykingasögu handvirkt úr 12.000 athugasemdum sjúklinga; Um það bil 2 mínútur á nótu, samtals 400 klukkustundir. NLP-aðstoð útdráttur minnkaði þetta í nokkrar klukkustundir; Teymið handskoðaði aðeins handahófsvalið staðfestingarúrtak sem líkanið skildi eftir „óljóst“. Mikilvægt var nákvæm skoðun á staðfestingarúrtaki.
Veik kvaðning / sterk kvaðning
Veik kvaðning:
Búðu til áhættulíkan úr þessum sjúklingagögnum og tilkynntu um niðurstöður.[gögn]
Öflug tilvitnun:
Hlutverk þitt: Þú ert aðstoðarmaður í klínískri gagnagreiningu (ÞÚ Ákveður EKKI). Gagnrýnið spálíkan PLAN fyrir eftirfarandi lista yfir nafnlausar breytur:- Merktu við hvort hver breyta sé til staðar þegar spáð er (hætta á leka í tíma).- Listaðu ójafnvægi í flokki og hugsanlegar uppsprettur hlutdrægni.- Leggðu til mismunun + kvörðun + undirhóp + klínískt notagildi fyrir mat.- Taktu fram að ákvörðunin liggi hjá klínísku teyminu. Nafnlausar breytur og markmið:[listi]
Fjögur afritanleg sniðmát
1) Lekaskoðun:
Flokkaðu eftirfarandi lista yfir eiginleika sem "tiltækar þegar spáð er" / "framtíðarupplýsingar (leki)" og rökstuddu það. Markmið og spástund: [skilgreining]. Eiginleikar: [listi]
2) Gagnagæðaskýrsla:
Athugaðu hvort gildishlutfall vantar, gildi sem vantar, ósamræmi í einingum og afritaskrá fyrir þessa nafnlausu töflu; Gæðayfirlitstafla birtist. Tafla: [gögn]
3) NLP ályktunarstaðfestingarkerfi:
Skrifaðu staðfestingaráætlun fyrir NLP-skref sem dregur út [breytu] úr skýringum með frjálsum texta: slembiúrtaksstærð, gullstaðalmerkingar, passamæli, villugreiningu.
4) Matsrammi:
Skrifaðu drög að matsramma fyrir þetta klíníska líkan: mismunun (AUC), kvörðunarferill, frammistaða undirhópa, greining á ákvörðunarferil. Gerð: [lýsing]
Hlutverk fyrirsætunnar: Eftir verkefnagerð
Tegund verkefnis
AI framlag
gagnrýni
sannprófun
Gagnahreinsun/útlægur
hátt
lágt
skyndiskoðun
NLP útdráttur úr athugasemdum
hátt
miðlungs
Dæmi um staðfestingu
Áhættu/spá stig
miðlungs
hátt
Kvörðun + undirhópur
Auðlinda-/getuáætlun
miðlungs
miðlungs
Samþykki rekstrareiningar
Ákvörðun um meðferð
takmörkuð
mjög hátt
Fullt samþykki læknis
Ábending: Ef AUC klínískrar líkans er óvænt hátt (t.d. yfir 0,95) skaltu leita að tímabundnum leka áður en þú fagnar. Í hinum raunverulega heimi eru svo há gildi venjulega merki um upplýsingaleka.
Varúð: Líkanið getur lært og styrkt ójöfnuð í sögulegum gögnum. Mikil heildarnákvæmni getur falið í sér kerfisbundinn skaða hjá ákveðnum sjúklingahópum; Ávallt skal tilkynna árangur í undirhópum.
Algeng mistök
- Tek ekki eftir tímabundnum leka. Þekking á framtíðinni veldur fölskum árangri á rannsóknarstofunni.
- Vertu ánægður með nákvæmni. Nákvæmni er villandi með ójafnvægi gagna; Næmni og kvörðun krafist.
- Ekki tilkynna um undirhópa. Heildarmælingin felur hlutdrægni og ójöfnuð.
- Sleppir kvörðun. Jafnvel gott röðunarlíkan getur gert mistök í þröskuldsákvörðunum sínum.
- Lætur ákvörðunina eftir fyrirmyndinni. Úttakið er stuðningur; Ákvörðun um meðferð er undir klínísku teyminu.
Í stuttu máli
- EHR gögn eru öflug en ófullnægjandi, ófullnægjandi og hlutdræg; hreinsun og kóðun eru mikilvæg skref.
- Tímaleki er skaðlegasta villa; Framtíðarþekking veldur fölskum árangri á rannsóknarstofunni.
- Ójafnvægi og hlutdrægni í bekknum gerir nákvæmni mælikvarða villandi.
- Mat ætti að fela í sér mismunun, kvörðun, undirflokkun og klínískt gagnsemi.
- Spá framleiðsla er stuðningur; Greining og meðferðarákvarðanir heyra undir klíníska teymið.
Umsóknarverkefni
Búðu til spámarkmið og lista yfir tíu breytur (innifalið viljandi „horfur“ breytu, t.d. útskriftargreiningu). Notaðu öfluga hvetju til að athuga líkanið fyrir leka og sjá hvort það fangar þessa breytu. Skrifaðu síðan matsramma fyrir þetta líkan í þremur atriðum, þar á meðal mismunun, kvörðun og undirflokkun.
gátlisti
- [ ] Ég skil útdráttar-, hreinsunar-, kóðunar- og líkanaskrefin við að vinna með EHR gögn.
- [ ] Ég get þekkt tímalega lekann og skoðað eignalistann.
- [ ] Ég áttaði mig á því hvernig ójafnvægi í stéttum og fordómar villa um fyrir nákvæmni.
- [ ] Ég þekki muninn á mismunun og kvörðun og nauðsyn beggja.
- [ ] Ég get staðsetja forspárúttakið sem stuðning, ekki ákvörðun.