Gumagamit ng 'Predictive EHR' ng Google ang Pag-aaral ng Machine sa Mga Kaganapan sa Kalusugan ng Pagtataya


Ken Terry
Pebrero 06, 2019

Inilathala ng US Patent at Trademark Office noong Enero 31 ang patent application ng Google para sa isang sistema ng "malalim na pag-aaral ng machine" na gumagamit ng data ng longhinal electronic health record (EHR) upang mahulaan ang mga kaganapan sa kalusugan sa hinaharap.

Ang sistema ng suporta sa klinikal na desisyon ay maaari ring makatulong sa mga manggagamot na kilalanin ang mga pasyente na pinaka nangangailangan ng tulong at maipapakita ang mga pangunahing klinikal na marker na pinahahalagahan ang mga hula, ayon sa Google.

Inanunsyo ng Google ang konsepto noong nakaraang Mayo at isinampa ang application ng patent noong Hulyo. Ang Patent Office ay hindi pa nabigyan ng patent para sa predictive system ng EHR.

Ang sistema ng Google ay maaaring mag-aggregate at mag-imbak ng data ng EHR para sa mga populasyon at indibidwal na mga pasyente. Ginagamit ng kumpanya ang balangkas ng Mabilis na Interoperability Resources ng Health Level Seven upang gawing pamantayan ang data na kinuha mula sa disparate EHRs, sinabi ng Google blog post. Pagkatapos, nang walang mga gumagamit na kailangang tukuyin ang mga variable ng interes, ang malalim na pag-aaral ng modelo para sa bawat hula "ay nagbabasa ng lahat ng mga punto ng data mula sa pinakamaagang hanggang sa pinakabagong at natututo kung aling data ang nakatutulong upang mahulaan ang kinalabasan."

Nagtulungan ang Google sa isang pag-aaral ng sistema nito sa University of California, San Francisco, Stanford Medicine, at sa University of Chicago Medicine. Ang sistema ng Google ay magagawang mahuhulaan ang dami ng namamatay sa ospital, 30-araw na hindi planadong readmission, matagal na haba ng pamamalagi, at pangwakas na diagnostic discharge na may katumpakan na mas mataas sa tradisyonal na predictive na mga modelo, sinabi ng kumpanya.

Ang diskarte ng Google ay pinabuting sa tradisyonal na diskarte sa pagsasama-sama ng data para sa predictive pagmomolde, ang mga mananaliksik ay nabanggit. "Mahalaga, ginamit namin ang data bilang-ay, nang walang laborious manual na pagsisikap na karaniwang kinakailangan upang kunin, linisin, mag-harmonize, at baguhin ang mga may-katuturang mga variable sa mga tala na iyon."

Sa application ng patent, sinabi ng Google na ang predictive system ay maaaring makatulong sa mga doktor na unahin ang mga pasyente at maaaring magpakita kung anong impormasyon ang hahanapin sa chart ng isang pasyente. Ang impormasyong iyon ay maaaring makatulong sa mga tagapangalaga ng kalusugan na makilala ang mga lugar ng pag-aalala o mamagitan upang mabawasan ang posibilidad ng isang salungat na kaganapan, ang aplikasyon ay nabanggit.

Pag-usbong ng mga makina

Ang malalim na pag-aaral ng machine at iba pang mga uri ng artipisyal na katalinuhan (AI) ay lalong ginagamit upang mahulaan ang mga klinikal na kaganapan at pinuhin ang mga klinikal na mga protocol.

Halimbawa, ang Penn Medicine ay gumamit ng pag-aaral ng makina upang baguhin ang mga daanan ng pag-aalaga at upang matagumpay na mahuhulaan kung aling mga pasyente ay malamang na bumuo ng sepsis, ayon sa CIO.com. Ang Flagler Hospital sa St. Augustine, Florida, ay gumamit ng isang solusyon sa AI upang mapabuti at ilagay sa pamantayan ang mga path ng pangangalaga para sa mga pasyente na may pneumonia at sepsis, ang mga ulat ng HealthcareITNews. At ang Grady Health System sa Atlanta, Georgia, ay naiulat na naka-save na $ 4 milyon sa pamamagitan ng pag-iwas sa mga readmissions gamit ang isang kumbinasyon ng AI-driven predictive analytics at mga pasyente sa antas ng komunidad na pamamagitan, ayon sa Mobile Health News.

Kahit na o hindi ang mga tool na nakukuha sa mga manggagamot ay nakasalalay sa kalakhan sa kanilang katumpakan. Nagkomento sa programang Penn Medicine sa artikulong CIO.com, isang propesor sa Dean Sittig, PhD, sa University of Texas Health Sciences Center sa Houston, na nagsasabi na ang mga hula ay dapat na higit sa kalahati ng oras, o hindi babayaran ng mga doktor pansin sa kanila.

Ang pagsubok ng predictive system ng EHR ng Google, ayon sa isang artikulo Nature Partner Journals: Digital Medicine, pinoproseso ang 46.8 bilyon na punto ng data na nakolekta mula sa 216,221 mga pasyenteng pang-adulto na naospital nang hindi bababa sa 24 na oras sa dalawang akademikong mga medikal na sentro.

Paggamit ng sukat kung saan 1.00 ay perpekto at 0.50 ay hindi mas mahusay kaysa sa random na pagkakataon, ang mga modelo na ginamit sa pag-aaral ay nakakuha ng 0.86 sa pagtula kung ang mga pasyente ay magkakaroon ng isang mahabang paglagi sa ospital, 0.95 sa predicting inpatient dami ng namamatay, at 0.77 sa forecasting hindi inaasahang readmissions .

SOURCE: Medscape, Pebrero 06, 2019.