Daromadlar:
- Elektron sog'liqni saqlash yozuvlari (EHR) ma'lumotlarini sun'iy intellekt yordamida tozalash, kodlash va tahlil qilish bosqichlarini tushuntirish qobiliyati.
- Yo'qolgan ma'lumotlar, noto'g'ri, sinf muvozanati va vaqtinchalik oqish kabi klinik ma'lumotlar xavfini tan olish qobiliyati
- Kalibrlash, kichik guruhlarning ishlashi va klinik foydaliligi orqali bashoratli model natijalarini tasdiqlash qobiliyati
Zamonaviy shifoxonalarning xotirasi elektron sog'liqni saqlash daftarchasi (EHR): tashxislar, laboratoriya natijalari, dori-darmonlar, protseduralar, hamshira yozuvlari va shifokor kuzatuvlarining raqamli to'plami. Bu maʼlumotlar sunʼiy intellekt uchun ham xazina, ham mina maydonidir. Xazina, chunki u millionlab kasal yillik naqshlarni o'z ichiga oladi; Mina maydoni, chunki klinik ma'lumotlar tartibsiz, to'liq emas, noxolis va vaqtinchalik tuzoqlarga to'la. Ushbu birlik EHR ma'lumotlarini sun'iy intellekt yordamida tozalash, kodlash va tahlil qilishni o'z ichiga oladi; eng makkor xatolar (vaqtinchalik oqish, tarafkashlik, sinf nomutanosibligi); va biz bashoratli model natijalari qanday tasdiqlanganligini ko'ramiz.
Eng boshidan eslatib o'tamiz: xavf modeli "bu bemorni qayta qabul qilish ehtimoli yuqori" deb aytishi mumkin; ammo bu tashxis yoki davolash qarori emas, balki qarorni qo'llab-quvvatlash natijasidir. AI tashxis qo'ymaydi; Qaror shifokor va klinik guruhga tegishli.
EHR ma'lumotlari bilan ishlash bosqichlari
1-qadam - ayirish va birlashtirish. Ma'lumotlar turli tizimlardan keladi (laboratoriya, dorixona, radiologiya); bemor identifikatori bilan birlashtiriladi. Ushbu bosqichda maxfiylik eng yuqori ustuvorlik hisoblanadi (10-qismga qarang).
2-qadam - tozalash. Yo'qolgan qiymatlar, birlik nomuvofiqliklari (mg / dL va mmol / L chalkashliklari), takroriy yozuvlar va ehtimol bo'lmagan qiymatlar (200 yosh, qon bosimi 0) yo'q qilinadi. AI bu erda chegaralarni belgilash va erkin matn tuzilishida kuchli.
3-bosqich - kodlash va standartlashtirish. Tashxislar ICD (Xalqaro kasalliklar tasnifi) kabi standart kodlarga, dori-darmonlar esa standart lug'atlarga moslashtiriladi. Erkin matn qaydlaridan tuzilgan ma'lumotlarni ajratib olish tabiiy tilni qayta ishlash (NLP) deb ataladi; AI bu erda qimmatlidir, ammo uning chiqishi tekshirishni talab qiladi.
4-qadam - Xususiyat muhandisligi. Model ma'lumotlari xom ma'lumotlardan hosil bo'ladi: oxirgi laboratoriya qiymati, tendentsiya, dorilar soni, komorbidlik reytingi va boshqalar.
5-bosqich - Modellashtirish va baholash. Bashoratli model qurilgan va eng muhim qismi ehtiyotkorlik bilan, oqishsiz tarzda baholanadi.
Uchta eng makkor xato
Vaqtinchalik oqish. Ma'lumotni bashorat qilish vaqtida mavjud bo'lmagan xususiyatga kiritish. Masalan, qabul paytida o'lim xavfini baholash uchun bo'shatish diagnostikasi yoki oxirgi kun laboratoriya tekshiruvidan foydalanish. Model laboratoriyada mukammal ko'rinadi, lekin haqiqiy foydalanishda qulab tushadi, chunki u "kelajakni" ko'rgan.
Xurofot. Ma'lumotlar o'tmishdagi klinik qarorlarni aks ettiradi; Agar bu qarorlar allaqachon teng bo'lmasa, model buni o'rganadi va mustahkamlaydi. Misol uchun, agar ma'lum bir guruh tarixan sinov uchun kamroq buyurtma qilingan bo'lsa, model ushbu guruhda kasallik "pastroq" deb o'ylashi mumkin.
Sinf nomutanosibligi. Agar qiziq hodisa (masalan, kamdan-kam uchraydigan asorat) ma'lumotlarning 1% bo'lsa, har doim "hech qanday hodisa yo'q" deb aytadigan model 99% aniq ko'rinadi, lekin foydasiz bo'ladi. Aniqlik o'rniga sezgirlik, aniqlik va hodisaga asoslangan ko'rsatkichlar talab qilinadi.
Baholash: Diskriminatsiya yetarli emas, kalibrlash shart
Ikki xil savol bor. Diskriminatsiya (AUCning odatiy o'lchovi): model bemorlarni xavf bo'yicha to'g'ri tartiblaydimi? Kalibrlash: model tomonidan berilgan ehtimolliklar haqiqiy chastotalarga mos keladimi? "20% xavf" deb aytadigan bemorlarning taxminan 20 foizi haqiqatan ham hodisaga egami? Qarorlar klinikadagi chegaralar asosida qabul qilinganligi sababli, yaxshi tartiblangan, ammo yomon sozlangan model noto'g'ri chegara qarorlariga olib keladi. Bundan tashqari, kichik guruhlarning ishlashi (yoshi, jinsi, etnik kelib chiqishi, kasalxona) alohida xabar qilinishi kerak va klinik foydaliligi haqidagi savol (bu modeldan foydalanish haqiqatan ham yaxshi natijalar beradimi?)
Uchta mini holat: raqamlar bo'yicha
1-holati - Muvaffaqiyat oqish tufayli oshirildi. Qayta qabul qilish modeli ichki testda 0,92 AUC ko'rsatdi; ajoyib ko'rinardi. Ko'rib chiqish shuni ko'rsatdiki, xususiyatlar "bo'shatishdan keyingi ambulator tayinlash" ni o'z ichiga oladi; Bu ma'lumot bashorat qilish vaqtida mavjud emas edi. Oqish tozalangandan so'ng, AUC 0,71 ga tushdi - bu haqiqiy va foydalanish mumkin bo'lgan qiymat.
2-holat - kalibrlash drifti. Sepsisning erta ogohlantirish ko'rsatkichi u ishlab chiqilgan shifoxonada yaxshi sozlangan bo'lsa-da, bemorning profili boshqa shifoxonadagi bir xil ball uchun haqiqiy hodisa tezligidan ikki baravar ko'rsatdi. Bal to'g'ri tartiblangan, lekin ehtimollar noto'g'ri edi; chegarani qayta kalibrlashsiz ishlatish mumkin emas edi.
3-holat - NLP bilan vaqtni tejash. Bir tadqiqot guruhi 12 000 bemor eslatmalaridan chekish tarixini qo'lda chiqarib oldi; Har bir notaga taxminan 2 daqiqa, jami 400 soat. NLP yordamida ekstraksiya buni bir necha soatgacha qisqartirdi; Jamoa faqat tasodifiy tanlangan tekshirish namunasini qo'lda tekshirdi, uni model "noaniq" qoldirdi. Validatsiya namunasini sinchkovlik bilan tekshirish juda muhim edi.
Zaif taklif / Kuchli taklif
Zaif taklif:
Ushbu bemor ma'lumotlaridan xavf modelini yarating va natijalar haqida hisobot bering.[ma'lumotlar]
Kuchli so'rov:
Sizning rolingiz: Siz klinik ma'lumotlarni tahlil qilish bo'yicha yordamchisiz (SIZ QAROR QILMAYSIZ). Quyidagi anonim oʻzgaruvchilar roʻyxati uchun bashorat qilish modeli REJASIni tanqid qiling:- Har bir oʻzgaruvchining bashorat qilish vaqtida mavjudligini belgilang (vaqtinchalik oqish xavfi).- Sinf nomutanosibligi va potentsial nomutanosiblik manbalarini sanab oʻting.- Diskriminatsiyani + kalibrlash + kichik guruhni + klinik jihatdan foydaliligini taklif qiling. Anonim oʻzgaruvchilar va maqsad:[roʻyxat]
To'rt nusxa ko'chirish shablonlari
1) Oqish tekshiruvi:
Quyidagi xususiyatlar ro'yxatini "bashorat vaqtida mavjud" / "kelajakdagi ma'lumot (oqish)" deb tasniflang va uni asoslang. Maqsad va bashorat qilish momenti: [ta'rif]. Xususiyatlari: [ro'yxat]
2) Ma'lumotlar sifati hisoboti:
Ushbu anonim jadval uchun etishmayotgan qiymat darajasi, etishmayotgan qiymatlar, birlik nomuvofiqligi va takroriy yozuvni tekshiring; Sifatning umumiy jadvali paydo bo'ladi. Jadval: [ma'lumotlar]
3) NLP xulosasini tekshirish sxemasi:
Erkin matnli izohlardan [o'zgaruvchini] ajratib oladigan NLP bosqichi uchun tasdiqlash rejasini yozing: tasodifiy namuna o'lchami, oltin standart etiketka, moslik ko'rsatkichi, xato tahlili.
4) Baholash tizimi:
Ushbu klinik model uchun baholash tizimi loyihasini yozing: diskriminatsiya (AUC), kalibrlash egri chizig'i, kichik guruh ishlashi, qaror egri tahlili. Model: [tavsif]
Modelning roli: Vazifa turi bo'yicha
Vazifa turi
AI hissasi
tanqidiylik
tekshirish
Ma'lumotlarni tozalash/chiqib ketish
yuqori
past
joyni tekshirish
Eslatmalardan NLP chiqarish
yuqori
o'rta
Tasdiqlash namunasi
Xavf/prognoz bahosi
o'rta
yuqori
Kalibrlash + kichik guruh
Resurs/imkoniyatlarni rejalashtirish
o'rta
o'rta
Biznes bo'linmasini tasdiqlash
Davolash qarori
cheklangan
juda yuqori
To'liq shifokor roziligi
Maslahat: Agar klinik modelning AUC ko'rsatkichi kutilmaganda yuqori bo'lsa (masalan, 0,95 dan yuqori), bayramni boshlashdan oldin vaqtinchalik oqishni qidiring. Haqiqiy dunyoda bunday yuqori qiymatlar odatda ma'lumotlarning tarqalishining belgisidir.
Diqqat: Model tarixiy ma'lumotlardagi tengsizliklarni o'rganishi va mustahkamlashi mumkin. Yuqori umumiy aniqlik ma'lum bemorlar guruhlarida tizimli zararni nazarda tutishi mumkin; Ishlash har doim kichik guruhlarda xabar qilinishi kerak.
Umumiy xatolar
- Vaqtinchalik oqishni sezmaslik. Kelajak haqidagi bilim laboratoriyada yolg'on muvaffaqiyatga olib keladi.
- Aniqlikdan qoniqish hosil qiling. Aniqlik muvozanatsiz ma'lumotlar bilan chalg'itadi; Sezuvchanlik va kalibrlash talab qilinadi.
- Kichik guruhlar haqida xabar bermaslik. Umumiy ko'rsatkich tarafkashlik va tengsizlikni yashiradi.
- Kalibrlashni o'tkazib yuborish. Hatto yaxshi reyting modeli ham chegara qarorlarida xato qilishi mumkin.
- Qarorni modelga qoldirish. Chiqish - qo'llab-quvvatlash; Davolash qarori klinik guruhga bog'liq.
Xulosa
- EHR ma'lumotlari kuchli, ammo noto'g'ri, to'liq emas va noto'g'ri; tozalash va kodlash muhim qadamlardir.
- Vaqtinchalik qochqin - eng makkor xato; Kelajakdagi bilimlar laboratoriyada soxta muvaffaqiyatga olib keladi.
- Sinf nomutanosibligi va noto'g'riligi aniqlik ko'rsatkichini noto'g'ri qiladi.
- Baholash diskriminatsiya, kalibrlash, kichik guruhlash va klinik foydalilikni o'z ichiga olishi kerak.
- Prognoz natijalari qo'llab-quvvatlanadi; Tashxis va davolash qarorlari klinik guruhga tegishli.
Ilova vazifasi
Bashorat qilish maqsadini va o'nta o'zgaruvchi ro'yxatini tuzing (qasddan "istiqbolli" o'zgaruvchini qo'shing, masalan, zaryadsizlanish tashxisi). Modeldagi oqishlarni tekshirish uchun kuchli taklifdan foydalaning va u ushbu o'zgaruvchini ushlaydimi yoki yo'qligini tekshiring. Keyin ushbu model uchun baholash tizimini uchta elementda yozing, jumladan diskriminatsiya, kalibrlash va kichik guruhlar.
nazorat ro'yxati
- [ ] Men EHR maʼlumotlari bilan ishlashning qazib olish, tozalash, kodlash va modellashtirish bosqichlarini tushunaman.
- [ ] Men vaqtinchalik qochqinni taniy olaman va mulk ro'yxatini tekshira olaman.
- [ ] Men sinfiy nomutanosiblik va noto'g'ri qarashlar aniqlikni qanday yo'ldan ozdirishini tushundim.
- [ ] Men diskriminatsiya va kalibrlash o'rtasidagi farqni va ikkalasining zarurligini bilaman.
- [ ] Men bashoratli natijani qaror emas, balki qo'llab-quvvatlash sifatida joylashtira olaman.