மருத்துவ தரவு பகுப்பாய்வு மற்றும் மின்னணு சுகாதார பதிவுகள்

ஆதாயங்கள்:

• செயற்கை நுண்ணறிவுடன் மின்னணு சுகாதார பதிவு (EHR) தரவை சுத்தம் செய்தல், குறியிடுதல் மற்றும் பகுப்பாய்வு செய்வதில் உள்ள படிகளை விளக்கும் திறன்.
• விடுபட்ட தரவு, சார்பு, வர்க்க ஏற்றத்தாழ்வு மற்றும் தற்காலிக கசிவு போன்ற மருத்துவ தரவு அபாயங்களை அடையாளம் காணும் திறன்
• அளவுத்திருத்தம், துணைக்குழு செயல்திறன் மற்றும் மருத்துவப் பயன் மூலம் முன்கணிப்பு மாதிரி வெளியீடுகளைச் சரிபார்க்கும் திறன்

நவீன மருத்துவமனைகளின் நினைவகம் எலக்ட்ரானிக் ஹெல்த் ரெக்கார்டு (EHR): நோயறிதல், ஆய்வக முடிவுகள், மருந்துகள், நடைமுறைகள், செவிலியர் குறிப்புகள் மற்றும் மருத்துவர் கண்காணிப்புகளின் டிஜிட்டல் தொகுப்பு. இந்த தரவு ஒரு புதையல் மற்றும் செயற்கை நுண்ணறிவுக்கான கண்ணிவெடி ஆகும். புதையல் ஏனெனில் அது மில்லியன் கணக்கான நோய்வாய்ப்பட்ட ஆண்டு வடிவங்களைக் கொண்டுள்ளது; minefield ஏனெனில் மருத்துவ தரவு ஒழுங்கற்ற, முழுமையற்ற, சார்பு மற்றும் தற்காலிக பொறிகள் நிறைந்தது. இந்த அலகு செயற்கை நுண்ணறிவுடன் EHR தரவை சுத்தம் செய்தல், குறியிடுதல் மற்றும் பகுப்பாய்வு செய்தல் ஆகியவை அடங்கும்; மிகவும் நயவஞ்சகமான பிழைகள் (தற்காலிக கசிவு, சார்பு, வர்க்க ஏற்றத்தாழ்வு); மற்றும் முன்கணிப்பு மாதிரி வெளியீடுகள் எவ்வாறு சரிபார்க்கப்படுகின்றன என்பதைப் பார்ப்போம்.

ஆரம்பத்திலிருந்தே நினைவூட்டுவோம்: ஒரு ஆபத்து மாதிரி "இந்த நோயாளிக்கு மீண்டும் சேர்க்கப்படுவதற்கான அதிக நிகழ்தகவு உள்ளது" என்று கூறலாம்; ஆனால் இது ஒரு முடிவு ஆதரவு வெளியீடு, நோயறிதல் அல்லது சிகிச்சை முடிவு அல்ல. AI கண்டறியவில்லை; முடிவு மருத்துவர் மற்றும் மருத்துவக் குழுவிடம் உள்ளது.

EHR தரவுகளுடன் பணிபுரிவதற்கான படிகள்

படி 1 - கழித்தல் மற்றும் ஒன்றிணைத்தல். தரவு வெவ்வேறு அமைப்புகளிலிருந்து வருகிறது (ஆய்வகம், மருந்தகம், கதிரியக்கவியல்); நோயாளி அடையாளத்துடன் இணைக்கப்பட்டுள்ளது. இந்த கட்டத்தில், இரகசியத்தன்மை மிக உயர்ந்த முன்னுரிமை (அலகு 10 ஐப் பார்க்கவும்).

படி 2 - சுத்தம் செய்தல். விடுபட்ட மதிப்புகள், அலகு முரண்பாடுகள் (mg/dL மற்றும் mmol/L குழப்பம்), நகல் பதிவுகள் மற்றும் சாத்தியமில்லாத மதிப்புகள் (வயது 200, இரத்த அழுத்தம் 0) நீக்கப்படும். வெளிப்புறக் கொடியிடல் மற்றும் இலவச உரை கட்டமைப்பில் AI வலுவாக உள்ளது.

படி 3 - குறியீட்டு முறை மற்றும் தரப்படுத்தல். நோயறிதல்கள் ஐசிடி (நோய்களின் சர்வதேச வகைப்பாடு) போன்ற நிலையான குறியீடுகளுக்கு வரைபடமாக்கப்படுகின்றன, மேலும் மருந்துகள் நிலையான அகராதிகளுக்கு வரைபடமாக்கப்படுகின்றன. கட்டமைக்கப்பட்ட தகவல்களை இலவச உரை குறிப்புகளிலிருந்து பிரித்தெடுப்பது இயற்கை மொழி செயலாக்கம் (NLP) எனப்படும்; AI இங்கே மதிப்புமிக்கது, ஆனால் அதன் வெளியீடு சரிபார்ப்பு தேவைப்படுகிறது.

படி 4 - அம்ச பொறியியல். மாதிரி உள்ளீடுகள் மூல தரவுகளிலிருந்து உருவாக்கப்படுகின்றன: கடைசி ஆய்வக மதிப்பு, போக்கு, மருந்துகளின் எண்ணிக்கை, கொமொர்பிடிட்டி ஸ்கோர் போன்றவை.

படி 5 - மாடலிங் மற்றும் மதிப்பீடு. முன்கணிப்பு மாதிரி கட்டமைக்கப்பட்டுள்ளது மற்றும் மிகவும் முக்கியமான பகுதி - கவனமாக, கசிவு இல்லாத முறையில் மதிப்பிடப்படுகிறது.

மிகவும் நயவஞ்சகமான மூன்று தவறுகள்

தற்காலிக கசிவு. முன்னறிவிப்பு நேரத்தில் இதுவரை இல்லாத அம்சத்தில் தகவலை வைப்பது. எடுத்துக்காட்டாக, டிஸ்சார்ஜ் நோயறிதல் அல்லது கடைசி நாள் ஆய்வக சோதனையைப் பயன்படுத்தி, சேர்க்கையில் இறப்பு அபாயத்தை மதிப்பிடுவதற்கு. மாதிரியானது ஆய்வகத்தில் சரியானதாகத் தெரிகிறது, ஆனால் அது "எதிர்காலத்தை" பார்த்ததால் உண்மையான பயன்பாட்டில் செயலிழக்கிறது.

பாரபட்சம். தரவு கடந்த கால மருத்துவ முடிவுகளை பிரதிபலிக்கிறது; இந்த முடிவுகள் ஏற்கனவே சமமற்றதாக இருந்தால், மாதிரி அதைக் கற்றுக்கொண்டு வலுப்படுத்துகிறது. எடுத்துக்காட்டாக, ஒரு குறிப்பிட்ட குழு வரலாற்று ரீதியாக சோதனைக்கு குறைவாக உத்தரவிட்டால், அந்த குழுவில் நோய் "குறைவாக" இருப்பதாக மாதிரி நினைக்கலாம்.

வர்க்க ஏற்றத்தாழ்வு. ஆர்வமுள்ள நிகழ்வு (எ.கா. அரிதான சிக்கல்) தரவுகளில் 1% இருந்தால், எப்போதும் "நிகழ்வு இல்லை" என்று கூறும் மாதிரியானது 99% துல்லியமாகத் தோன்றும் ஆனால் பயனற்றதாக இருக்கும். துல்லியத்திற்குப் பதிலாக, உணர்திறன், துல்லியம் மற்றும் நிகழ்வு அடிப்படையிலான அளவீடுகள் தேவை.

மதிப்பீடு: பாகுபாடு போதாது, அளவுத்திருத்தம் அவசியம்

இரண்டு வெவ்வேறு கேள்விகள் உள்ளன. பாகுபாடு (AUC இன் வழக்கமான அளவீடு): மாதிரியானது நோயாளிகளை ஆபத்தின் அடிப்படையில் சரியாக மதிப்பிடுகிறதா? அளவுத்திருத்தம்: மாதிரியால் கொடுக்கப்பட்ட நிகழ்தகவுகள் உண்மையான அதிர்வெண்களுடன் பொருந்துமா? "20% ஆபத்து" என்று சொல்லும் சுமார் 20% நோயாளிகள் உண்மையில் ஒரு நிகழ்வைக் கொண்டிருக்கிறார்களா? கிளினிக்கில் உள்ள வரம்புகளின் அடிப்படையில் முடிவுகள் எடுக்கப்படுவதால், ஒரு நல்ல தரவரிசை ஆனால் மோசமாக அளவீடு செய்யப்பட்ட மாதிரியானது தவறான நுழைவு முடிவுகளுக்கு வழிவகுக்கும். கூடுதலாக, துணைக்குழு செயல்திறன் (வயது, பாலினம், இனம், மருத்துவமனை) தனித்தனியாக தெரிவிக்கப்பட வேண்டும் மற்றும் மருத்துவ பயன் (இந்த மாதிரியைப் பயன்படுத்துவது உண்மையில் சிறந்த முடிவுகளைத் தருகிறதா?) கேள்வி கேட்கப்பட வேண்டும்.

மூன்று சிறிய வழக்குகள்: எண்கள் மூலம்

வழக்கு 1 - கசிவு மூலம் வெற்றி பெருகியது. ஒரு வாசிப்பு மாதிரியானது உள் சோதனையில் 0.92 AUC ஐ அளித்தது; அது நன்றாக இருந்தது. மதிப்பாய்வு அம்சங்களில் "வெளியேற்றத்திற்குப் பிந்தைய வெளிநோயாளி நியமனம்" அடங்கும் என்று கண்டறியப்பட்டது; இந்த தகவல் கணிப்பு நேரத்தில் கிடைக்கவில்லை. கசிவு சுத்தம் செய்யப்பட்டவுடன், AUC 0.71 ஆக குறைந்தது - இது ஒரு யதார்த்தமான மற்றும் பயன்படுத்தக்கூடிய மதிப்பு.

வழக்கு 2 - அளவுத்திருத்த சறுக்கல். ஒரு செப்சிஸ் ஆரம்ப எச்சரிக்கை மதிப்பெண் அது உருவாக்கப்பட்ட மருத்துவமனையில் நன்கு அளவீடு செய்யப்பட்டாலும், நோயாளி சுயவிவரம் வேறு மருத்துவமனையில் அதே மதிப்பெண்ணுக்கான உண்மையான நிகழ்வு விகிதத்தை இரண்டு மடங்கு காட்டியது. மதிப்பெண் சரியாக வரிசைப்படுத்தப்பட்டது ஆனால் நிகழ்தகவுகள் தவறாக இருந்தன; மறுசீரமைப்பு இல்லாமல் வாசலைப் பயன்படுத்த முடியாது.

வழக்கு 3 - NLP உடன் நேரத்தைச் சேமிக்கிறது. ஒரு ஆராய்ச்சி குழு 12,000 நோயாளிகளின் குறிப்புகளில் இருந்து புகைபிடித்த வரலாற்றை கைமுறையாக பிரித்தெடுத்தது; ஒரு குறிப்புக்கு தோராயமாக 2 நிமிடங்கள், மொத்தம் 400 மணிநேரம். NLP-உதவி பிரித்தெடுத்தல் இதை சில மணிநேரமாகக் குறைத்தது; மாதிரி "தெளிவில்லாமல்" விட்டுவிட்ட தோராயமாக தேர்ந்தெடுக்கப்பட்ட சரிபார்ப்பு மாதிரியை மட்டுமே குழு கையால் சரிபார்த்தது. சரிபார்ப்பு மாதிரியின் உன்னிப்பான ஆய்வு முக்கியமானது.

பலவீனமான ப்ராம்ட் / ஸ்ட்ராங் ப்ராம்ட்

பலவீனமான உடனடி:

இந்த நோயாளியின் தரவிலிருந்து ஆபத்து மாதிரியை உருவாக்கி முடிவுகளைப் புகாரளிக்கவும்.[data]

சக்திவாய்ந்த தூண்டுதல்:

உங்கள் பங்கு: நீங்கள் ஒரு மருத்துவ தரவு பகுப்பாய்வு உதவியாளர் (நீங்கள் முடிவு செய்யவில்லை). பின்வரும் அநாமதேய மாறிகளின் பட்டியலுக்கு ஒரு முன்கணிப்பு மாதிரி PLAN ஐ விமர்சிக்கவும்:- கணிப்பு நேரத்தில் ஒவ்வொரு மாறியும் உள்ளதா என்பதைக் குறிக்கவும் (தற்காலிக கசிவு அபாயம்).- வகுப்பு ஏற்றத்தாழ்வு மற்றும் சார்புக்கான சாத்தியமான ஆதாரங்களை பட்டியலிடவும்.- பாகுபாடு + அளவுத்திருத்தம் + துணைக்குழு + மருத்துவப் பயன் ஆகியவற்றைப் பரிந்துரைக்கவும். அநாமதேய மாறிகள் மற்றும் இலக்கு:[பட்டியல்]

நான்கு நகலெடுக்கக்கூடிய டெம்ப்ளேட்கள்

1) கசிவு ஆய்வு:

பின்வரும் அம்சங்களின் பட்டியலை "முன்கணிப்பு நேரத்தில் கிடைக்கும்" / "எதிர்காலத் தகவல் (கசிவு)" என வகைப்படுத்தி அதை நியாயப்படுத்தவும். கணிப்புக்கான இலக்கு மற்றும் தருணம்: [வரையறை]. அம்சங்கள்: [பட்டியல்]

2) தரவு தர அறிக்கை:

இந்த அநாமதேய அட்டவணையில் விடுபட்ட மதிப்பு விகிதம், விடுபட்ட மதிப்புகள், யூனிட் சீரற்ற தன்மை மற்றும் நகல் பதிவு ஆகியவற்றைச் சரிபார்க்கவும்; தரமான சுருக்க அட்டவணை தோன்றும். அட்டவணை: [தரவு]

3) NLP அனுமானம் சரிபார்ப்பு திட்டம்:

இலவச உரை சிறுகுறிப்புகளிலிருந்து [மாறி] பிரித்தெடுக்கும் NLP படிக்கான சரிபார்ப்புத் திட்டத்தை எழுதவும்: சீரற்ற மாதிரி அளவு, தங்கத் தர லேபிளிங், ஃபிட் மெட்ரிக், பிழை பகுப்பாய்வு.

4) மதிப்பீட்டு கட்டமைப்பு:

இந்த மருத்துவ மாதிரிக்கான வரைவு மதிப்பீட்டு கட்டமைப்பை எழுதவும்: பாகுபாடு (AUC), அளவுத்திருத்த வளைவு, துணைக்குழு செயல்திறன், முடிவு வளைவு பகுப்பாய்வு. மாதிரி: [விளக்கம்]

மாதிரியின் பங்கு: பணி வகை மூலம்

பணி வகை

AI பங்களிப்பு

விமர்சனம்

சரிபார்ப்பு

தரவு சுத்தம்/வெளிப்புறம்

உயர்

குறைந்த

ஸ்பாட் சோதனை

குறிப்புகளில் இருந்து NLP பிரித்தெடுத்தல்

உயர்

நடுத்தர

மாதிரி சரிபார்ப்பு

ஆபத்து/கணிப்பு மதிப்பெண்

நடுத்தர

உயர்

அளவுத்திருத்தம் + துணைக்குழு

வளம்/திறன் திட்டமிடல்

நடுத்தர

நடுத்தர

வணிக அலகு ஒப்புதல்

சிகிச்சை முடிவு

வரையறுக்கப்பட்ட

மிக உயர்ந்தது

முழு மருத்துவர் ஒப்புதல்

உதவிக்குறிப்பு: ஒரு மருத்துவ மாதிரியின் AUC எதிர்பாராத விதமாக அதிகமாக இருந்தால் (எ.கா. 0.95 க்கு மேல்), கொண்டாடுவதற்கு முன் தற்காலிக கசிவு உள்ளதா எனப் பார்க்கவும். நிஜ உலகில், இத்தகைய உயர் மதிப்புகள் பொதுவாக தகவல் கசிவுக்கான அறிகுறியாகும்.

எச்சரிக்கை: மாதிரியானது வரலாற்றுத் தரவுகளில் ஏற்றத்தாழ்வுகளைக் கற்றுக் கொள்ளலாம் மற்றும் வலுப்படுத்தலாம். உயர் ஒட்டுமொத்த துல்லியம் சில நோயாளி குழுக்களில் முறையான தீங்கு விளைவிக்கும்; செயல்திறன் எப்போதும் துணைக்குழுக்களில் தெரிவிக்கப்பட வேண்டும்.

பொதுவான தவறுகள்

• தற்காலிக கசிவை கவனிக்கவில்லை. எதிர்காலத்தைப் பற்றிய அறிவு ஆய்வகத்தில் தவறான வெற்றியை உருவாக்குகிறது.
• துல்லியத்தில் திருப்தி அடையுங்கள். சமநிலையற்ற தரவு மூலம் துல்லியம் தவறாக வழிநடத்துகிறது; உணர்திறன் மற்றும் அளவுத்திருத்தம் தேவை.
• துணைக்குழுக்களைப் புகாரளிக்கவில்லை. ஒட்டுமொத்த மெட்ரிக் சார்பு மற்றும் சமத்துவமின்மையை மறைக்கிறது.
• அளவுத்திருத்தத்தைத் தவிர்க்கிறது. ஒரு நல்ல தரவரிசை மாதிரி கூட அதன் வரம்பு முடிவுகளில் தவறுகளை செய்யலாம்.
• முடிவெடுப்பதை மாதிரிக்கு விட்டுவிடுகிறேன். வெளியீடு ஆதரவு; சிகிச்சையின் முடிவு மருத்துவக் குழுவைப் பொறுத்தது.

சுருக்கமாக

• EHR தரவு சக்தி வாய்ந்தது ஆனால் ஒட்டுக்கேட்டது, முழுமையற்றது மற்றும் பக்கச்சார்பானது; சுத்தம் செய்தல் மற்றும் குறியிடுதல் ஆகியவை முக்கியமான படிகள்.
• தற்காலிக கசிவு மிகவும் நயவஞ்சகமான பிழை; எதிர்கால அறிவு ஆய்வகத்தில் தவறான வெற்றியை உருவாக்குகிறது.
• வகுப்பு ஏற்றத்தாழ்வு மற்றும் சார்பு துல்லியம் மெட்ரிக்கை தவறாக வழிநடத்துகிறது.
• மதிப்பீட்டில் பாகுபாடு, அளவுத்திருத்தம், துணைக்குழு மற்றும் மருத்துவப் பயன் ஆகியவை இருக்க வேண்டும்.
• முன்னறிவிப்பு வெளியீடுகள் ஆதரவு; நோயறிதல் மற்றும் சிகிச்சை முடிவுகள் மருத்துவ குழுவிற்கு சொந்தமானது.

விண்ணப்ப பணி

ஒரு முன்கணிப்பு இலக்கு மற்றும் பத்து மாறிகளின் பட்டியலை உருவாக்கவும் (வேண்டுமென்றே ஒரு "வாய்ப்பு" மாறி அடங்கும், எ.கா. வெளியேற்ற கண்டறிதல்). கசிவுகளுக்கான மாதிரியைச் சரிபார்த்து, இந்த மாறியைப் பிடிக்கிறதா என்பதைப் பார்க்க சக்திவாய்ந்த வரியில் பயன்படுத்தவும். பாகுபாடு, அளவுத்திருத்தம் மற்றும் துணைக்குழு உட்பட மூன்று உருப்படிகளில் இந்த மாதிரிக்கான மதிப்பீட்டு கட்டமைப்பை எழுதவும்.

சரிபார்ப்பு பட்டியல்

• [ ] EHR தரவுகளுடன் பணிபுரியும் பிரித்தெடுத்தல், சுத்தம் செய்தல், குறியீட்டு முறை மற்றும் மாடலிங் படிகளைப் புரிந்துகொள்கிறேன்.
• [ ] நான் தற்காலிக கசிவை அடையாளம் கண்டு சொத்து பட்டியலை ஆய்வு செய்ய முடியும்.
• வர்க்க ஏற்றத்தாழ்வு மற்றும் தப்பெண்ணம் எவ்வாறு துல்லியத்தை தவறாக வழிநடத்துகிறது என்பதை நான் உணர்ந்தேன்.
• [ ] பாகுபாடு மற்றும் அளவுத்திருத்தம் மற்றும் இரண்டின் அவசியத்திற்கும் இடையே உள்ள வேறுபாடு எனக்கு தெரியும்.
• [ ] நான் முன்கணிப்பு வெளியீட்டை ஆதரவாக நிலைநிறுத்த முடியும், முடிவு அல்ல.