Кредит: Pixabay/CC0 Public Domain
Согласно недавнему исследованию, опубликованному в журнале NEJM AI, модель ИИ, разработанная исследователями из Northwestern Medicine, улучшила преобразование данных EHR в стандартизированные медицинские ресурсы более эффективно, чем существующие методы.
По словам Юань Ло, доктора философии, доцента кафедры профилактической медицины в Отделении здравоохранения и биомедицинской информатики, директора Центра совместного ИИ в здравоохранении и старшего автора исследования, модель FHIR-GPT использует возможности больших языковых моделей для преобразования клинических данных в ресурсы Fast Healthcare Interoperability Resources (FHIR) и является шагом на пути к улучшению взаимодействия медицинских данных, исследований, поддержки клинических испытаний и надзора за общественным здравоохранением.
«Это значительно ускорит темпы разрушения стен между различными системами здравоохранения, которые препятствуют агрегации медицинских данных и обмену данными для проведения крупномасштабных исследований, в которых мы крайне нуждаемся, особенно с развитием генеративного ИИ и технологии больших языковых моделей», — сказал Луо.
Луо также является профессором педиатрии, главным специалистом по ИИ в Институте клинических и трансляционных наук Северо-Западного университета (NUCATS) и Институте искусственного интеллекта в медицине, а также членом Комплексного онкологического центра Роберта Х. Лури Северо-Западного университета.
По мнению авторов, совместимость медицинских данных имеет решающее значение для улучшения ухода за пациентами, а также для достижения справедливости в реагировании на чрезвычайные ситуации в области общественного здравоохранения.
Чтобы ускорить этот важный обмен данными, федеральные агентства США, включая Управление национального координатора по информационным технологиям в области здравоохранения, Центры по контролю и профилактике заболеваний и Центры услуг Medicare и Medicaid, способствовали принятию стандарта Fast Healthcare Interoperability Resources (FHIR).
FHIR, первоначально разработанный в 2011 году международной организацией по стандартизации Health Level 7, представляет собой установленный стандарт для обмена электронными медицинскими записями (EHR) между организациями здравоохранения, включая академические медицинские центры и коммерческие предприятия, для обеспечения эффективного обмена клинической и административной информацией. независимо от того, как он хранится.
FHIR также поддерживает различные приложения для медицинских исследований, включая вычислительное фенотипирование, поддержку клинических испытаний и разработку систем наблюдения.
«FHIR — это как универсальный язык для медицинских данных, во многом похожий на английский язык для международного общения. Когда больницы принимают FHIR, они могут беспрепятственно обмениваться данными друг друга и понимать их, что приводит к улучшению сотрудничества и ухода за пациентами», — сказал Луо.
По словам Луо, поскольку организации здравоохранения имеют собственную уникальную инфраструктуру, стандарты и форматы для создания, хранения и организации данных о здоровье, преобразование данных о здоровье в ресурсы FHIR является сложной задачей.
«Здравоохранение в США сильно фрагментировано», — сказал Луо. «Каждая больница использует собственную версию систем EHR, создавая данные, которые часто являются индивидуальными и сложными для обмена и интерпретации из-за нюансов в шаблонах и форматах. FHIR стремится устранить эти пробелы, предоставляя общий язык для обмена данными, позволяя больницам беспрепятственно обмениваться и агрегировать информацию. Эта стандартизация помогает преодолеть барьеры фрагментации, улучшая коммуникацию и сотрудничество в системе здравоохранения».
В текущем исследовании команда Луо разработала обученную FHIR большую языковую модель, которая преобразует данные EHR в выписки FHIR о лекарствах и сравнила производительность своей модели с текущими современными системами. Более 3600 фрагментов клинического текста были вручную аннотированы командой Луо, а затем использованы для подсказки GPT-4, большой языковой модели Open AI.
В ходе этих экспериментов FHIR-GPT идеально сопоставил данные EHR с выписками по лекарствам FHIR с показателем успешности 90%, превзойдя производительность существующих инструментов.
FHIR-GPT также улучшил показатели точного соответствия этих инструментов на 3% для путей приема лекарств, на 12% для количества доз, на 35% для причин приема лекарств, на 42% для медицинских форм и более чем на 50% для графиков приема лекарств.
По словам авторов, система не только точнее других систем, но и более эффективна в разработке и более масштабируема.
«С помощью больших языковых моделей мы можем стандартизировать данные в стандартизированный формат, чтобы затем создать большой набор данных и легко общаться с различными заинтересованными сторонами в сфере здравоохранения», — сказал Икуань Ли, магистр наук, студент пятого курса интегрированной докторской программы по медицинским наукам. Программа и ведущий автор исследования.
Луо сказал, что его команда намерена дополнительно проверить систему и в конечном итоге внедрить ее в существующие системы здравоохранения по всей территории США, чтобы улучшить агрегацию данных о состоянии здоровья от различных групп пациентов и улучшить уход за пациентами и равенство в отношении здоровья.
«Если вы подумаете о том, какие исследования или идеи могут возникнуть с этой более интегрированной, гораздо более крупной и разнообразной группой, то возможности будут колоссальными», — сказал Луо.
Дополнительная информация: Икуань Ли и др., FHIR-GPT улучшает взаимодействие в сфере здравоохранения с помощью больших языковых моделей, NEJM AI (2024). DOI: 10.1056/AIcs2300301 Предоставлено Северо-Западным университетом
