Faida:
- Uwezo wa kuelezea hatua za kusafisha, kuweka rekodi na kuchambua data ya rekodi ya afya ya elektroniki (EHR) na akili ya bandia.
- Uwezo wa kutambua hatari za data ya kimatibabu kama vile kukosa data, upendeleo, usawa wa darasa, na kuvuja kwa muda.
- Uwezo wa kuhalalisha matokeo ya kielelezo cha ubashiri kupitia urekebishaji, utendaji wa kikundi kidogo, na manufaa ya kimatibabu
Kumbukumbu ya hospitali za kisasa ni rekodi ya afya ya kielektroniki (EHR): mkusanyiko wa kidijitali wa uchunguzi, matokeo ya maabara, dawa, taratibu, maelezo ya muuguzi na uchunguzi wa daktari. Data hii ni hazina na uwanja wa kuchimba madini kwa akili bandia. Hazina kwa sababu ina mamilioni ya mifumo ya wagonjwa ya kila mwaka; minefield kwa sababu data ya kimatibabu haijapangwa, haijakamilika, ina upendeleo, na imejaa mitego ya muda. Kitengo hiki kinajumuisha kusafisha, kusimba na kuchambua data ya EHR kwa kutumia akili ya bandia; makosa ya siri zaidi (kuvuja kwa muda, upendeleo, usawa wa darasa); na tutaona jinsi matokeo ya utabiri yanathibitishwa.
Hebu tukumbushe tangu mwanzo: mfano wa hatari unaweza kusema "mgonjwa huyu ana uwezekano mkubwa wa kurejea tena"; lakini hili ni pato la usaidizi wa uamuzi, si uamuzi wa utambuzi au matibabu. AI haitambui; Uamuzi ni wa daktari na timu ya kliniki.
Hatua za Kufanya kazi na Data ya EHR
Hatua ya 1 - Ondoa na kuunganisha. Data hutoka kwa mifumo tofauti (maabara, maduka ya dawa, radiolojia); imeunganishwa na kitambulisho cha mgonjwa. Katika hatua hii, usiri ndio kipaumbele cha juu zaidi (angalia Sura ya 10).
Hatua ya 2 - Kusafisha. Thamani zinazokosekana, kutofautiana kwa vitengo (mkanganyiko wa mg/dL na mmol/L), rekodi zilizorudiwa, na thamani zisizotarajiwa (umri wa miaka 200, shinikizo la damu 0) huondolewa. AI ina nguvu hapa katika kuripoti kwa nje na uundaji wa maandishi bila malipo.
Hatua ya 3 - Kuweka msimbo na kusanifisha. Utambuzi hupangwa kwa misimbo ya kawaida kama vile ICD (Ainisho ya Kimataifa ya Magonjwa), na dawa zimepangwa kulingana na kamusi za kawaida. Kuchota taarifa zilizopangwa kutoka kwa maelezo ya maandishi ya bure huitwa usindikaji wa lugha asilia (NLP); AI ni muhimu hapa, lakini matokeo yake yanahitaji uthibitisho.
Hatua ya 4 - Uhandisi wa kipengele. Mifano ya pembejeo hutolewa kutoka kwa data ghafi: thamani ya mwisho ya maabara, mwenendo, idadi ya dawa, alama ya comorbidity, nk.
Hatua ya 5 - Modeling na tathmini. Muundo wa ubashiri umejengwa na—sehemu muhimu zaidi—kutathminiwa kwa uangalifu, bila kuvuja.
Makosa Matatu Ya siri Zaidi
Uvujaji wa muda. Kuweka habari kwenye kipengele ambacho bado hakipo wakati wa utabiri. Kwa mfano, kutumia uchunguzi wa kutokwa au upimaji wa maabara wa siku za mwisho ili kukadiria hatari ya kifo wakati wa kulazwa. Mfano huo unaonekana kamili katika maabara, lakini huanguka kwa matumizi halisi kwa sababu imeona "baadaye".
Ubaguzi. Takwimu zinaonyesha maamuzi ya kliniki ya zamani; Ikiwa maamuzi haya tayari hayana usawa, mtindo hujifunza na kuimarisha hili. Kwa mfano, ikiwa kikundi fulani kihistoria kimeagizwa kidogo kwa ajili ya majaribio, mtindo unaweza kufikiri kwamba ugonjwa ni "chini" katika kundi hilo.
Usawa wa darasa. Ikiwa tukio la kupendeza (k.m. shida adimu) ni 1% ya data, mfano ambao husema kila wakati "hakuna tukio" ungeonekana kuwa sahihi kwa 99% lakini hautakuwa na maana. Badala ya usahihi, unyeti, usahihi, na vipimo vinavyotegemea tukio vinahitajika.
Tathmini: Ubaguzi hautoshi, Urekebishaji ni Lazima
Kuna maswali mawili tofauti. Ubaguzi (kipimo cha kawaida cha AUC): je, mfano huo unaweka wagonjwa kwa usahihi kwa hatari? Urekebishaji: je, uwezekano uliotolewa na mfano unalingana na masafa halisi? Je, takriban 20% ya wagonjwa wanaosema "hatari 20%" wana tukio kweli? Kwa kuwa maamuzi hufanywa kwa kuzingatia vizingiti katika kliniki, mtindo wa hali ya juu lakini usio na kipimo utasababisha maamuzi yasiyo sahihi ya kizingiti. Zaidi ya hayo, utendaji wa kikundi kidogo (umri, jinsia, kabila, hospitali) unapaswa kuripotiwa tofauti na swali la manufaa ya kimatibabu (je kutumia mtindo huu kweli hutoa matokeo bora zaidi?) inapaswa kuulizwa.
Kesi Tatu Ndogo: Kwa Nambari
Kesi ya 1 - Mafanikio yamechangiwa na uvujaji. Mfano wa urejeshaji ulitoa AUC ya 0.92 katika majaribio ya ndani; ilionekana nzuri. Ukaguzi uligundua kuwa vipengele vilijumuisha "miadi ya wagonjwa wa nje baada ya kutoka"; Taarifa hii haikupatikana wakati wa utabiri. Mara tu uvujaji uliposafishwa, AUC ilishuka hadi 0.71 - thamani halisi na inayoweza kutumika.
Kesi ya 2 - Mteremko wa urekebishaji. Ingawa alama ya onyo ya mapema ya sepsis ilirekebishwa vizuri katika hospitali ambapo ilitengenezwa, wasifu wa mgonjwa ulionyesha mara mbili ya kiwango cha tukio halisi kwa alama sawa katika hospitali tofauti. Alama iliorodheshwa ipasavyo lakini uwezekano haukuwa sahihi; kizingiti haikuweza kutumika bila recalibration.
Kesi ya 3 - Kuokoa wakati na NLP. Timu moja ya watafiti ilikuwa ikipata historia ya uvutaji sigara kutoka kwa maelezo ya wagonjwa 12,000; Takriban dakika 2 kwa noti, jumla ya masaa 400. Uchimbaji uliosaidiwa na NLP ulipunguza hii hadi saa chache; Timu ilikagua kwa mkono tu sampuli ya uthibitishaji iliyochaguliwa kwa nasibu ambayo muundo uliacha "dhahiri." Muhimu ulikuwa uchunguzi wa kina wa sampuli ya uthibitishaji.
Uhamasishaji dhaifu / Uhamasishaji Wenye Nguvu
Agizo dhaifu:
Unda muundo wa hatari kutoka kwa data hii ya mgonjwa na uripoti matokeo.[data]
Agizo lenye nguvu:
Jukumu lako: Wewe ni msaidizi wa uchanganuzi wa data ya kimatibabu (HUAMUZI). Kagua muundo wa utabiri PLAN kwa orodha ifuatayo ya vigeu visivyojulikana:- Weka alama ikiwa kila kigezo kipo wakati wa kutabiri (hatari ya kuvuja kwa muda).- Orodhesha usawa wa darasa na vyanzo vinavyoweza kutokea vya upendeleo.- Pendekeza ubaguzi + urekebishaji + kikundi kidogo + manufaa ya kimatibabu kwa tathmini.- Tamka kwamba uamuzi unategemea timu ya kliniki. Vigezo na shabaha zisizojulikana:[orodha]
Violezo Vinne Vinakiliwa
1) Ukaguzi wa kuvuja:
Bainisha orodha ifuatayo ya vipengele kama "inavyopatikana wakati wa kutabiri" / "taarifa ya baadaye (kuvuja)" na uithibitishe. Lengo na wakati wa utabiri: [ufafanuzi]. Vipengele: [orodha]
2) Ripoti ya ubora wa data:
Angalia kiwango cha thamani kinachokosekana, thamani zinazokosekana, kutofautiana kwa kitengo na rekodi ya nakala ya jedwali hili lisilojulikana; Jedwali la muhtasari wa ubora linaonekana. Jedwali: [data]
3) Mpango wa uthibitishaji wa uelekezaji wa NLP:
Andika mpango wa uthibitishaji wa hatua ya NLP ambayo hutoa [kigeu] kutoka kwa ufafanuzi wa maandishi yasiyolipishwa:ukubwa wa sampuli nasibu, uwekaji alama wa dhahabu, kipimo cha kufaa, uchanganuzi wa makosa.
4) Mfumo wa tathmini:
Andika rasimu ya mfumo wa tathmini ya modeli hii ya kimatibabu: ubaguzi (AUC), curve ya urekebishaji, utendaji wa kikundi kidogo, uchanganuzi wa curve ya uamuzi. Mfano: [maelezo]
Wajibu wa Mfano: Kwa Aina ya Kazi
Aina ya kazi
Mchango wa AI
ukosoaji
uthibitishaji
Kusafisha data / nje
juu
chini
kuangalia doa
Uchimbaji wa NLP kutoka kwa maelezo
juu
kati
Uthibitishaji wa sampuli
Bao la hatari/utabiri
kati
juu
Urekebishaji + kikundi kidogo
Rasilimali/upangaji wa uwezo
kati
kati
Idhini ya kitengo cha biashara
Uamuzi wa matibabu
mdogo
juu sana
Idhini kamili ya daktari
Kidokezo: Ikiwa AUC ya modeli ya kliniki iko juu bila kutarajiwa (k.m. zaidi ya 0.95), tafuta uvujaji wa muda kabla ya kusherehekea. Katika ulimwengu wa kweli, maadili ya juu kama haya kawaida ni ishara ya uvujaji wa habari.
Tahadhari: Muundo unaweza kujifunza na kuimarisha ukosefu wa usawa katika data ya kihistoria. Usahihi wa juu wa jumla unaweza kumaanisha madhara ya kimfumo katika vikundi fulani vya wagonjwa; Utendaji unapaswa kuripotiwa kila wakati katika vikundi vidogo.
Makosa ya kawaida
- Bila kugundua kuvuja kwa muda. Ujuzi wa siku zijazo hutoa mafanikio ya uwongo katika maabara.
- Kuridhika na usahihi. Usahihi ni wa kupotosha na data isiyo na usawa; Unyeti na urekebishaji unahitajika.
- Sio kuripoti vikundi vidogo. Kipimo cha jumla huficha upendeleo na ukosefu wa usawa.
- Kuruka urekebishaji. Hata mfano mzuri wa cheo unaweza kufanya makosa katika maamuzi yake ya kizingiti.
- Kuacha uamuzi kwa mfano. Pato ni msaada; Uamuzi wa matibabu ni juu ya timu ya kliniki.
Kwa muhtasari
- Data ya EHR ni yenye nguvu lakini yenye viraka, haijakamilika, na ina upendeleo; kusafisha na kuweka msimbo ni hatua muhimu.
- Uvujaji wa muda ni kosa la siri zaidi; Ujuzi wa siku zijazo hutoa mafanikio ya uwongo katika maabara.
- Usawa wa darasa na upendeleo hufanya kipimo cha usahihi kupotosha.
- Tathmini inapaswa kujumuisha ubaguzi, urekebishaji, vikundi vidogo, na manufaa ya kimatibabu.
- Matokeo ya utabiri ni usaidizi; Maamuzi ya utambuzi na matibabu ni ya timu ya kliniki.
Jukumu la maombi
Tengeneza lengo la utabiri na orodha ya vigeu kumi (kwa makusudi ni pamoja na kigezo cha "matarajio", k.m. utambuzi wa kutokwa na damu). Tumia kidokezo chenye nguvu ili kuangalia modeli kwa uvujaji na uone ikiwa inanasa kigeu hiki. Kisha andika mfumo wa tathmini wa modeli hii katika vipengele vitatu, ikiwa ni pamoja na ubaguzi, urekebishaji, na vikundi vidogo.
orodha ya ukaguzi
- [ ] Ninaelewa hatua za uchimbaji, usafishaji, usimbaji na uundaji wa kufanya kazi na data ya EHR.
- [ ] Ninaweza kutambua uvujaji wa muda na kukagua orodha ya mali.
- [ ] Niligundua jinsi usawa wa darasa na chuki hupotosha usahihi.
- [ ] Ninajua tofauti kati ya ubaguzi na urekebishaji na ulazima wa zote mbili.
- [ ] Ninaweza kuweka matokeo ya ubashiri kama usaidizi, sio uamuzi.