Пайдалар:
- Жасалма интеллект менен электрондук ден соолук рекордун (EHR) маалыматтарды тазалоо, коддоо жана талдоо кадамдарын түшүндүрө билүү.
- Дайындардын жетишсиздиги, бир тараптуулук, класстык дисбаланс жана убактылуу агып кетүү сыяктуу клиникалык маалымат тобокелдиктерин таануу мүмкүнчүлүгү
- Калибрлөө, подгруппалардын иштеши жана клиникалык пайдалуулугу аркылуу болжолдуу моделдин натыйжаларын ырастоо мүмкүнчүлүгү
Заманбап ооруканалардын эс тутуму - электрондук ден соолук рекорду (EHR): диагноздордун, лабораториялык натыйжалардын, дары-дармектердин, процедуралардын, медайымдардын эскертүүлөрүнүн жана дарыгердин байкоолорунун санариптик жыйнагы. Бул маалыматтар жасалма интеллект үчүн кенч жана кен талаа болуп саналат. Treasure, анткени ал миллиондогон оорулуу жылдык үлгүлөрдү камтыйт; Клиникалык маалыматтар уюшкан эмес, толук эмес, объективдүү жана убактылуу тузактарга толгон. Бул бөлүм жасалма интеллект менен EHR маалыматтарын тазалоону, коддоону жана талдоону камтыйт; эң тымызын каталар (убактылуу агып кетүү, бир тараптуулук, класстык дисбаланс); жана биз болжолдоочу моделдин натыйжалары кантип тастыкталганын көрөбүз.
Башынан эске сала кетели: тобокелдик модели "бул пациенттин кайра кабыл алуу ыктымалдуулугу жогору" деп айтышы мүмкүн; бирок бул диагноз же дарылоо чечими эмес, чечимди колдоо. AI диагноз койбойт; Чечим дарыгерге жана клиникалык командага жараша болот.
EHR маалыматтары менен иштөө кадамдары
1-кадам - кемитүү жана бириктирүү. Маалыматтар ар кандай системалардан (лаборатория, дарыкана, радиология) келет; пациенттин ID менен айкалыштырылган. Бул этапта купуялуулук эң жогорку артыкчылык болуп саналат (10-бөлүмдү караңыз).
2-кадам — Тазалоо. Жетишпеген маанилер, бирдиктин дал келбестиктери (мг/дл жана ммоль/лдин башаламандыгы), кайталанган жазуулар жана күмөндүү маанилер (200 жаш, кан басымы 0) жок кылынат. AI бул жерде четтөөлөрдү белгилөөдө жана эркин текст структурасында күчтүү.
3-кадам — коддоо жана стандартташтыруу. Диагноздор ICD (Оорулардын эл аралык классификациясы) сыяктуу стандарттык коддорго, ал эми дары-дармектер стандарттык сөздүктөргө картага түшүрүлөт. Эркин тексттик жазуулардан структураланган маалыматты алуу табигый тилди иштетүү (NLP) деп аталат; AI бул жерде баалуу, бирок анын чыгышы текшерүүнү талап кылат.
4-кадам — Өзгөчөлүк инженериясы. Моделдик маалыматтар чийки маалыматтардан түзүлөт: акыркы лабораториялык маани, тенденция, дары-дармектердин саны, коштолгон оорулардын баллы ж.б.
5-кадам — Моделдөө жана баалоо. Болжолдуу модели курулган жана-эң маанилүү бөлүгү - кылдаттык менен, агып чыкпастан бааланат.
Эң тымызын үч ката
Убактылуу агып кетүү. Болжолдоо учурунда али жок функцияга маалыматты киргизүү. Мисалы, кабыл алууда өлүм коркунучун баалоо үчүн чыгаруу диагнозун же акыркы күндөгү лабораториялык тесттерди колдонуу. Модель лабораторияда идеалдуу көрүнөт, бирок чыныгы колдонууда кыйрап калат, анткени ал "келечекти" көргөн.
Алдын ала пикир. Маалыматтар өткөн клиникалык чечимдерди чагылдырат; Бул чечимдер буга чейин бирдей эмес болсо, модель үйрөнүп, муну бекемдейт. Мисалы, эгерде белгилүү бир топ тарыхый жактан тестирлөө үчүн азыраак заказ кылынса, модель оору ошол топто "төмөн" деп ойлошу мүмкүн.
Класстык дисбаланс. Кызыккан окуя (мисалы, сейрек кездешүүчү татаалдашуу) маалыматтардын 1% түзсө, ар дайым "окуя жок" деп айткан модель 99% так көрүнөт, бирок пайдасыз болмок. Тактыктын ордуна сезгичтик, тактык жана окуяга негизделген көрсөткүчтөр талап кылынат.
Баалоо: Дискриминация жетишсиз, калибрлөө керек
Эки башка суроо бар. Дискриминация (AUCтин типтүү өлчөмү): модель бейтаптарды тобокелдикке жараша туура баалайбы? Калибрлөө: модель тарабынан берилген ыктымалдыктар иш жүзүндөгү жыштыктарга дал келеби? "20% тобокелдик" деп айткан бейтаптардын болжол менен 20% чындыгында окуя барбы? Чечимдер клиникадагы босоголордун негизинде кабыл алынгандыктан, рейтинги жакшы, бирок начар калибрленген модель босогонун туура эмес чечимдерине алып келет. Кошумчалай кетсек, подгруппалардын иштеши (курагы, жынысы, улуту, ооруканасы) өзүнчө кабарланышы керек жана клиникалык пайдалуулугу жөнүндө суроо (бул моделди колдонуу чындап эле жакшыраак натыйжаларды береби?) берилиши керек.
Үч мини Case: Сандар боюнча
1-жагдай - Ийгиликтин агып кетиши. Кайра кабыл алуу модели ички тестирлөөдө 0,92 AUC берди; ал сонун көрүндү. Карап чыгууда өзгөчөлүктөр "боордошунан кийинки амбулатордук дайындоо"; Бул маалымат алдын ала айтылган учурда болгон эмес. Агышуу тазалангандан кийин, AUC 0,71ге чейин төмөндөдү - реалдуу жана колдонууга жарамдуу маани.
2-жагдай — Калибрлөө дрейфи. Сепсис боюнча эрте эскертүү баллы иштелип чыккан ооруканада жакшы калибрленген болсо да, пациенттин профили башка ооруканада бир эле балл үчүн окуянын эки эсе ылдамдыгын көрсөттү. Упай туура рейтингде, бирок ыктымалдыктар туура эмес болгон; босогону кайра калибрлөөсүз колдонуу мүмкүн эмес.
3-жагдай — NLP менен убакытты үнөмдөө. Бир изилдөө тобу 12 000 бейтаптын жазууларынан тамеки тартуу тарыхын кол менен чыгарып жаткан; Бир нотага болжол менен 2 мүнөт, жалпысынан 400 саат. NLP жардамы менен казып алуу муну бир нече саатка чейин кыскартты; Команда моделдин "түшүнүксүз" калтырылган кокусунан тандалган валидация үлгүсүн гана кол менен текшерди. Валидация үлгүсүн кылдаттык менен текшерүү маанилүү болду.
Алсыз тездик / Күчтүү эскертүү
Алсыз билдирүү:
Бул пациенттин маалыматтарынан тобокелдик моделин түзүңүз жана натыйжаларды билдириңиз.[маалымат]
Күчтүү билдирүү:
Сиздин ролуңуз: Сиз клиникалык маалыматтарды талдоо боюнча жардамчысыз (СИЗ ЧЕЧМЕЙСИЗ). Төмөнкү анонимдик өзгөрмөлөрдүн тизмеси үчүн болжолдоо моделинин ПЛАНЫН сынга алыңыз: - Ар бир өзгөрмөнүн болжолдоо учурунда бар же жок экенин белгилеңиз (убактылуу агып кетүү коркунучу).- Класстын тең салмаксыздыгын жана бир тараптуулуктун потенциалдуу булактарын тизмектеңиз.- Дискриминацияны + калибрлөө + чакан топтун + клиникалык пайдалуулугун сунуштаңыз. Анонимдүү өзгөрмөлөр жана максат:[тизме]
Көчүрмө төрт шаблон
1) агып текшерүү:
Төмөнкү функциялардын тизмесин "болжолдоо учурунда жеткиликтүү" / "келечектеги маалымат (ачык)" деп классификациялаңыз жана аны негиздеңиз. Максат жана болжолдоо учуру: [аныктама]. Өзгөчөлүктөрү: [тизме]
2) Маалыматтын сапаты жөнүндө отчет:
Бул анонимдүү таблица үчүн жетишпеген маанини, жетишпеген маанилерди, бирдиктин дал келбестигин жана кайталанган жазууну текшериңиз; Сапаттуу жыйынды таблицасы пайда болот. Таблица: [маалыматтар]
3) NLP корутундусун текшерүү схемасы:
NLP кадамы үчүн валидация планын жазыңыз, ал [өзгөрмө] эркин текст аннотацияларынан: кокустук үлгүнүн өлчөмү, алтын стандарттык этикеткалоо, туура метрика, ката анализи.
4) Баалоонун негизи:
Бул клиникалык модель үчүн баалоо негизинин долбоорун жазыңыз: дискриминация (AUC), калибрлөө ийри сызыгы, чакан топтун аткаруусу, чечим ийри сызыгын талдоо. Модель: [сүрөттөө]
Моделдин ролу: тапшырманын түрү боюнча
Тапшырма түрү
AI салымы
сынчылдык
текшерүү
Берилиштерди тазалоо/чыгаруу
бийик
төмөн
так текшерүү
Ноталардан NLP чыгаруу
бийик
орто
Үлгү текшерүү
Тобокелдик/болжолдоо баллы
орто
бийик
Калибрлөө + подгруппа
Ресурстарды/кубаттуулукту пландаштыруу
орто
орто
Бизнес бирдигин бекитүү
Дарылоо чечими
чектелген
абдан бийик
Толук дарыгердин уруксаты
Кеңеш: Эгер клиникалык моделдин AUC күтүлбөгөн жерден жогору болсо (мисалы, 0,95тен жогору), майрамдоодон мурун убактылуу агып кетүүнү издеңиз. Чыныгы дүйнөдө мындай жогорку баалуулуктар, адатта, маалымат агып кетүү белгиси болуп саналат.
Абайлаңыз: Модель тарыхый маалыматтардагы теңсиздикти үйрөнүп, бекемдей алат. Жогорку жалпы тактык кээ бир пациенттердин топторунда системалуу зыян келтириши мүмкүн; Аткаруу ар дайым подгруппаларда билдирилиши керек.
Жалпы каталар
- Убактылуу агып кетүү байкалбайт. Келечекти билүү лабораторияда жалган ийгиликтерди жаратат.
- Тактыгына ыраазы болуңуз. Тактык тең салмактуу эмес маалыматтар менен адаштыруучу; Сезимталдуулук жана калибрлөө талап кылынат.
- Чакан топторду билдирбейт. Жалпы метрика бир тараптуулукту жана теңсиздикти жашырат.
- Калибрлөө өткөрүп жиберүү. Ал тургай, жакшы рейтинг модели өзүнүн босого чечимдеринде ката кетириши мүмкүн.
- Чечим чыгарууну моделге калтыруу. чыгаруу колдоо болуп саналат; Дарылоо чечими клиникалык командага жараша болот.
Кыскача айтканда
- EHR маалыматтары күчтүү, бирок так эмес, толук эмес жана бир жактуу; тазалоо жана коддоо маанилүү кадам болуп саналат.
- Убактылуу агып кетүү - эң тымызын ката; Келечектеги билим лабораторияда жалган ийгиликтерди жаратат.
- Класстык дисбаланс жана бир тараптуулук тактык метрикасын адаштыруучу кылат.
- Баалоо дискриминацияны, калибрлөө, подгруппалоону жана клиникалык пайдалуулукту камтышы керек.
- Болжолдоо натыйжалары колдоо болуп саналат; Диагноз жана дарылоо чечимдери клиникалык командага таандык.
Колдонмо тапшырмасы
Болжолдоо максатын жана он өзгөрмөнүн тизмесин түзүңүз (атайылап “болжолдуу” өзгөрмөнү камтыңыз, мисалы, разряд диагнозу). Модельде агып кетүүлөрдү текшерүү үчүн күчтүү сунушту колдонуңуз жана ал бул өзгөрмөнү кармай алабы же жокпу, көрүңүз. Андан кийин дискриминация, калибрлөө жана подгруппалоону камтыган үч пункттан турган бул модель үчүн баалоо негизин жазыңыз.
текшерүү тизмеси
- [ ] Мен EHR маалыматтары менен иштөөнүн казып алуу, тазалоо, коддоо жана моделдөө кадамдарын түшүнөм.
- [ ] Мен убактылуу агып чыгууну таанып, мүлк тизмесин текшере алам.
- [ ] Мен класстык дисбаланс жана бейкалыс тактыкты кантип адаштырарын түшүндүм.
- [ ] Мен дискриминация менен калибрлөөнүн ортосундагы айырманы жана экөөнүн тең зарылдыгын билем.
- [ ] Мен алдын ала жыйынтыкты чечим эмес, колдоо катары позициялай алам.