Табыстар:
- Жасанды интеллект арқылы электрондық денсаулық жазбасының (EHR) деректерін тазалау, кодтау және талдау қадамдарын түсіндіру мүмкіндігі.
- Жетіспейтін деректер, ауытқу, класс теңгерімсіздігі және уақытша ағып кету сияқты клиникалық деректер тәуекелдерін тану мүмкіндігі
- Калибрлеу, ішкі топ өнімділігі және клиникалық пайдалылық арқылы болжамды үлгі нәтижелерін тексеру мүмкіндігі
Заманауи ауруханалардың жады - электрондық денсаулық картасы (EHR): диагноздардың, зертханалық нәтижелердің, дәрі-дәрмектердің, процедуралардың, медбике жазбаларының және дәрігер бақылауларының сандық жинағы. Бұл деректер жасанды интеллект үшін қазына да, кен орны да болып табылады. Treasure, өйткені онда миллиондаған ауру жыл сайынғы үлгілер бар; Клиникалық деректер ұйымдастырылмаған, толық емес, біржақты және уақытша тұзақтарға толы болғандықтан мина алаңы. Бұл блок жасанды интеллект арқылы EHR деректерін тазалауды, кодтауды және талдауды қамтиды; ең жасырын қателер (уақытша ағып кету, ауытқу, сыныптық теңгерімсіздік); және біз болжамды модель нәтижелерінің қалай тексерілетінін көреміз.
Басынан еске түсірейік: тәуекел моделі «бұл науқастың қайта қабылдану ықтималдығы жоғары» деп айтуы мүмкін; бірақ бұл диагноз немесе емдеу шешімі емес, шешімді қолдау нәтижесі. AI диагноз қоймайды; Шешім дәрігер мен клиникалық командаға байланысты.
EHR деректерімен жұмыс істеу қадамдары
1-қадам - Алып тастау және біріктіру. Деректер әртүрлі жүйелерден (зертхана, дәріхана, радиология) алынады; пациенттің идентификаторымен біріктіріледі. Бұл кезеңде құпиялылық ең жоғары басымдық болып табылады (10 бөлімді қараңыз).
2-қадам - Тазалау. Жетіспейтін мәндер, бірлік сәйкессіздіктері (мг/дл және ммоль/л шатасуы), қайталанатын жазбалар және ықтимал емес мәндер (200 жаста, қан қысымы 0) жойылады. AI бұл жерде шектен шығуды белгілеуде және еркін мәтінді құрылымдауда күшті.
3-қадам — кодтау және стандарттау. Диагноздар ICD (Аурулардың халықаралық классификациясы) сияқты стандартты кодтармен, ал дәрілер стандартты сөздіктермен салыстырылады. Еркін мәтіндік жазбалардан құрылымдық ақпаратты алу табиғи тілді өңдеу (NLP) деп аталады; Бұл жерде AI құнды, бірақ оның нәтижесі тексеруді қажет етеді.
4-қадам — Функциялық инженерия. Модельдік деректер бастапқы деректерден жасалады: соңғы зертханалық мән, тренд, дәрі-дәрмек саны, ілеспе ауру көрсеткіші және т.б.
5-қадам — Модельдеу және бағалау. Болжамдық модель құрастырылған және ең маңызды бөлігі - мұқият, ағып кетпейтін түрде бағаланады.
Ең жасырын үш қателік
Уақытша ағып кету. Болжау кезінде әлі жоқ мүмкіндікке ақпаратты енгізу. Мысалы, қабылдау кезінде өлім қаупін бағалау үшін шығару диагнозын немесе соңғы күндік зертханалық сынақты пайдалану. Модель зертханада мінсіз көрінеді, бірақ ол «болашақты» көргендіктен нақты пайдалануда апатқа ұшырайды.
Алаңдау. Деректер өткен клиникалық шешімдерді көрсетеді; Егер бұл шешімдер қазірдің өзінде тең емес болса, модель мұны үйренеді және нығайтады. Мысалы, егер белгілі бір топқа тарихта тестілеуге аз тапсырыс берілген болса, модель бұл топта ауру «төменірек» деп ойлауы мүмкін.
Сыныптық теңгерімсіздік. Егер қызығушылық тудыратын оқиға (мысалы, сирек кездесетін асқыну) деректердің 1% болса, әрқашан «оқиға жоқ» деп айтатын модель 99% дәл болып көрінеді, бірақ пайдасыз болады. Дәлдіктің орнына сезімталдық, дәлдік және оқиғаға негізделген көрсеткіштер қажет.
Бағалау: кемсіту жеткіліксіз, калибрлеу міндетті болып табылады
Екі түрлі сұрақ бар. Дискриминация (AUC типтік өлшемі): модель пациенттерді тәуекел бойынша дұрыс бағалайды ма? Калибрлеу: модельмен берілген ықтималдықтар нақты жиіліктерге сәйкес келе ме? «20% тәуекел» деп айтатын пациенттердің шамамен 20% -ында оқиға бар ма? Шешімдер клиникадағы шектерге негізделгендіктен, рейтингі жақсы, бірақ нашар калибрленген үлгі дұрыс емес шекті шешімдерге әкеледі. Сонымен қатар, топшаның өнімділігі (жасы, жынысы, этникалық орны, аурухана) бөлек хабарлануы және клиникалық пайдалылығы туралы сұрақ (осы үлгіні пайдалану шынымен жақсы нәтиже береді ме?) қойылуы керек.
Үш шағын корпус: сандар бойынша
1-жағдай - Ағып кету арқылы табысқа жету. Қайта қабылдау үлгісі ішкі тестілеуде 0,92 AUC мәнін берді; тамаша көрінді. Шолуда «бостандыққа шыққаннан кейінгі амбулаторлық қабылдау» ерекшеліктері бар екендігі анықталды; Бұл ақпарат болжау кезінде қол жетімді болмады. Ағып кету жойылғаннан кейін AUC 0,71-ге дейін төмендеді - бұл шынайы және қолдануға болатын мән.
2-жағдай — калибрлеу дрейфі. Сепсистің ерте ескерту көрсеткіші әзірленген ауруханада жақсы калибрленгенімен, пациент профилі басқа ауруханадағы бірдей балл үшін оқиғаның нақты жиілігін екі есе көрсетті. Ұпай дұрыс қойылды, бірақ ықтималдықтар қате болды; шегін қайта калибрлеусіз пайдалану мүмкін емес.
3-жағдай — NLP көмегімен уақытты үнемдеу. Бір зерттеу тобы 12 000 пациент жазбасынан темекі шегу тарихын қолмен шығарып алды; Бір нотаға шамамен 2 минут, барлығы 400 сағат. NLP көмегімен экстракция мұны бірнеше сағатқа дейін қысқартты; Команда тек кездейсоқ таңдалған валидация үлгісін қолмен тексерді, оны модель «түсініксіз» қалдырды. Валидация үлгісін мұқият тексеру маңызды болды.
Әлсіз шақыру / Күшті шақыру
Әлсіз шақыру:
Осы емделуші деректерінен тәуекел үлгісін жасаңыз және нәтижелерді хабарлаңыз.[деректер]
Күшті шақыру:
Сіздің рөліңіз: Сіз клиникалық деректерді талдау көмекшісісіз (СІЗ ШЕШМЕЙСІЗ). Келесі анонимді айнымалылар тізімі үшін болжау үлгісінің ЖОСПАРЫН сынға алыңыз:- Әр айнымалының болжау сәтінде бар-жоғын белгілеңіз (уақытша ағып кету қаупі).- Сыныптың теңгерімсіздігі мен ауытқудың ықтимал көздерін тізіңіз.- Кемсітуді + калибрлеуді + топшаны + бағалау үшін клиникалық пайдалылықты ұсыныңыз. Анонимді айнымалылар және мақсат:[тізім]
Көшірілетін төрт үлгі
1) ағып кетуді тексеру:
Келесі мүмкіндіктер тізімін «болжау кезінде қол жетімді» / «болашақ ақпарат (ағылып кету)» ретінде жіктеңіз және оны негіздеңіз. Мақсат және болжау сәті: [анықтама]. Мүмкіндіктер: [тізім]
2) Деректер сапасы туралы есеп:
Осы анонимді кесте үшін жетіспейтін мән мөлшерлемесін, жетіспейтін мәндерді, бірлік сәйкессіздігін және қайталанатын жазбаны тексеріңіз; Сапаның жиынтық кестесі пайда болады. Кесте: [деректер]
3) NLP қорытындысын тексеру схемасы:
Еркін мәтіндік аннотациялардан [айнымалыны] шығаратын NLP қадамы үшін тексеру жоспарын жазыңыз: кездейсоқ үлгі өлшемі, алтын стандартты таңбалау, сәйкестік метрикасы, қате талдауы.
4) Бағалау жүйесі:
Осы клиникалық модель үшін бағалау құрылымының жобасын жазыңыз: дискриминация (AUC), калибрлеу қисығы, ішкі топ өнімділігі, шешім қисығын талдау. Үлгі: [сипаттама]
Модельдің рөлі: Тапсырма түрі бойынша
Тапсырма түрі
AI үлесі
сыншылдық
тексеру
Деректерді тазалау/өткізу
жоғары
төмен
жерді тексеру
Жазбалардан NLP шығару
жоғары
орташа
Валидация үлгісі
Тәуекел/болжау баллы
орташа
жоғары
Калибрлеу + ішкі топ
Ресурстарды/қуатты жоспарлау
орташа
орташа
Шаруашылық бөлімшесін бекіту
Емдеу туралы шешім
шектелген
өте жоғары
Толық дәрігердің рұқсаты
Кеңес: Клиникалық үлгідегі AUC күтпеген жерден жоғары болса (мысалы, 0,95-тен жоғары), мерекелеу алдында уақытша ағып кетуді іздеңіз. Нақты әлемде мұндай жоғары мәндер әдетте ақпараттың ағып кетуінің белгісі болып табылады.
Абайлаңыз: үлгі тарихи деректердегі теңсіздіктерді біліп, нығайта алады. Жоғары жалпы дәлдік пациенттердің белгілі бір топтарында жүйелі зақымдануды білдіруі мүмкін; Өнімділік әрқашан ішкі топтарда хабарлануы керек.
Жалпы қателер
- Уақытша ағып кетуді байқамау. Болашақты білу зертханада жалған табысқа әкеледі.
- Дәлдікке қанағаттаныңыз. Дәлдік теңгерілмеген деректермен жаңылыстырады; Сезімталдық пен калибрлеу қажет.
- Ішкі топтар туралы есеп бермеу. Жалпы метрика қиғаштық пен теңсіздікті жасырады.
- Калибрлеуді өткізіп жіберу. Тіпті жақсы рейтингтік модель өзінің шекті шешімдерінде қателесуі мүмкін.
- Шешімді үлгіге қалдыру. Шығару - қолдау; Емдеу туралы шешімді клиникалық топ қабылдайды.
Қысқаша айтқанда
- EHR деректері күшті, бірақ бірқалыпты, толық емес және біржақты емес; тазалау және кодтау маңызды қадамдар болып табылады.
- Уақытша ағып кету - ең жасырын қате; Болашақ білім зертханада жалған табысқа әкеледі.
- Класстың теңгерімсіздігі және қиғаштық дәлдік көрсеткішін жаңылыстырады.
- Бағалау дискриминацияны, калибрлеуді, топтастыруды және клиникалық пайдалылықты қамтуы керек.
- Болжамдық нәтижелер қолдау болып табылады; Диагностика және емдеу шешімдері клиникалық топқа жатады.
Қолданбалы тапсырма
Болжам мақсатын және он айнымалының тізімін құрыңыз («болашақ» айнымалы мәнді әдейі қосыңыз, мысалы, разряд диагнозы). Модельде ағып кетуді тексеру және оның осы айнымалы мәнді түсіретінін білу үшін қуатты сұрауды пайдаланыңыз. Содан кейін кемсітуді, калибрлеуді және топтастыруды қоса алғанда, үш элементте осы үлгі үшін бағалау жүйесін жазыңыз.
бақылау парағы
- [ ] Мен EHR деректерімен жұмыс істеудің алу, тазалау, кодтау және модельдеу қадамдарын түсінемін.
- [ ] Мен уақытша ағып кетуді тани аламын және сипаттар тізімін тексере аламын.
- [ ] Мен таптық теңгерімсіздік пен алалаушылық дәлдікті қалай адастыратынын түсіндім.
- [ ] Мен кемсіту мен калибрлеудің арасындағы айырмашылықты және екеуінің қажеттілігін білемін.
- [ ] Мен болжамды нәтижені шешім емес, қолдау ретінде орналастыра аламын.