Aprendizagem profunda para EHRs – Papel da semana – 27 de junho

Jordan Harrod Blocked Unblock Seguir Seguindo 28 de dezembro de 2018

O artigo desta semana pode ser encontrado aqui: Aprendizado profundo escalável e preciso com registros eletrônicos de saúde

Nota: O estilo de escrita deste post pode ser um pouco diferente dos posts anteriores. Eu estou passando pelo curso Storytelling 101 da Massive Science para cientistas agora, o que incentiva os cientistas a falar sobre ciência como uma narrativa em vez de literatura acadêmica. Esta é a minha primeira tentativa usando essa abordagem na ciência real!

Bem-vindo de volta ao papel da semana!

Na semana passada, conversamos sobre um aplicativo Android para monitoramento de bebês na unidade de terapia intensiva (UTI). Também lemos um artigo de opinião que co-escrevi para a Syracuse Post-Standard sobre porque eu acho que a IA deveria ser incorporada nos cuidados de saúde para reduzir as despesas médicas do paciente. O artigo desta semana é uma continuação desta IA na tendência da medicina! Não me lembro bem onde encontrei este artigo, mas não foi o Twitter (desta vez). Eu atualizarei este post se ele voltar para mim.

Para a maioria das pessoas nos EUA, os custos com saúde vêm aumentando há alguns anos. É mais comum do que nunca a acumulação de dívidas pessoais de cuidados médicos dispendiosos, e milhões de pessoas são obrigadas a declarar falência . Com cortes drásticos sendo propostos nos níveis federal e estadual para Medicare e Medicaid , parece que esta questão continuará a piorar nos próximos anos, a menos que medidas de redução de custos sejam implementadas para reduzir o custo dos cuidados médicos.

Embora normalmente procuremos legisladores para resolver esses tipos de problemas fazendo acordos com seguradoras e fabricantes de medicamentos, outra solução potencial é desenvolver melhores cuidados preventivos. A partir de 2014, 86% dos gastos com a saúde nos EUA vão para condições crônicas. No contexto, gastamos US $ 2,7 trilhões em assistência médica em 2014. Se pudéssemos prever tendências de saúde que levariam a condições crônicas, poderíamos tratar essas condições antes que elas se tornassem crônicas, o que reduziria os custos de saúde. Este é o incentivo econômico por trás de cuidados preventivos, que as companhias de seguros já apoiaram através de promoções como reembolso de academias se você for regularmente ao ginásio, baixar as taxas se parar de fumar e distribuir rastreadores de fitness gratuitos se você atingir certos marcos de condicionamento físico. O que não falamos tanto é como a tecnologia médica poderia facilitar uma melhor assistência preventiva.

O aprendizado de máquina já provou ser útil na previsão de resultados médicos para casos diagnósticos específicos, e tem havido esforços para expandir a predição mais geral usando registros eletrônicos de saúde. Este último teve sucesso limitado. Médicos e hospitais foram incentivados a usar EHRs em 2011, quando o Centro de Serviços Medicare e Medicaid (que administra Medicare e Medicaid no nível federal) ofereceu reembolsos para aqueles que fizeram. Usando EHRs padronizado registros de pacientes em hospitais, onde anteriormente não havia um formato que os médicos e hospitais tiveram que usar. Em outras palavras, um médico poderia usar o Post-it, outro poderia usar o Excel, e um terceiro poderia usar uma assinatura de uma empresa de manutenção de registros médicos, mas em 2011, todos tinham que estar na mesma página. Enquanto EHRs resultaram em mais consistência entre os pacientes em como os diagnósticos são registrados, os médicos nem sempre descrevem diagnósticos com as mesmas palavras. Isso leva a dados "confusos" quando tentamos usá-lo para aprendizado de máquina.

Este artigo, que vem do Google Mountain View, da Universidade da Califórnia em São Francisco, da Universidade de Chicago Medicine e da Universidade de Stanford, visa usar o aprendizado profundo para contornar a confusão dos dados do EHR. O aprendizado profundo normalmente significa que a rede neural usada para desenvolver um modelo para os dados possui muitas camadas e pode analisar muitas variáveis de entrada. Especificamente, os autores usam o aprendizado profundo em EHRs do paciente para prever a moralidade do paciente (a probabilidade de um paciente morrer em breve), readmissão não planejada de 30 dias (se o paciente teria que voltar dentro de 30 dias após receber alta) tempo de permanência (mais de sete dias) e diagnóstico final (com o que o paciente foi diagnosticado). Eles previram esses desfechos em vários momentos diferentes, variando de 24 horas antes de o paciente ter sido internado até 24 horas depois. Para o diagnóstico e resultados de readmissão, eles também previram no momento da alta.

Suas previsões mostram a promessa de usar o aprendizado profundo para dados confusos com um grande número de variáveis. As previsões foram melhores para a mortalidade dos pacientes (ROC = 0,93-95) 24 horas após a admissão e diagnóstico (ROC = 0,90) na alta, e foram razoavelmente bons para o tempo de permanência (ROC = 0,85) 24 horas após a admissão e readmissão (ROC = 0,76) na alta. É difícil comparar os resultados dessa abordagem diretamente com estudos anteriores, já que a maioria dos estudos não usa os mesmos modelos, dados médicos ou definições de diagnóstico, no entanto, os autores acreditam que os resultados ainda são melhores do que tentativas similares anteriores de fazer previsões. com base em dados de EHR confusos.

O que tudo isso significa para reduzir o custo dos cuidados médicos e melhorar os cuidados preventivos prevendo doenças crônicas? Agora, isso significa que estamos um passo mais perto. As previsões aqui são baseadas em dados de treinamento com resultados conhecidos, portanto, não sabemos como isso funcionaria nos dados de EHR com resultados desconhecidos (ou seja, se um paciente não tiver sido diagnosticado ou readmitido ainda). Os resultados são bons em comparação com estudos anteriores, mas não são precisos o suficiente para serem implementados com segurança em pessoas reais. Uma das conclusões mais impactantes (na minha opinião) deste artigo é que a aprendizagem profunda pode ser usada em anotações médicas – isto é, anotações escritas de médicos que não estão em conformidade com qualquer padrão EHR – para identificar quais fatores nas anotações são importantes. na previsão dos resultados, em conjunto com dados mais padronizados de EHR. “Ler” os registros médicos e reproduzi-los tem sido uma luta recente de pesquisadores de IA, então essa abordagem de aprendizado profundo pode conter algumas pistas sobre como o aprendizado profundo pode ser usado para melhorar a interpretação de diagnósticos escritos.

À medida que o desenvolvimento da inteligência artificial acelera, a implementação do aprendizado profundo para registros médicos em consultórios médicos e hospitais para cuidados preventivos está mais próxima do que nunca e certamente tem o potencial de reduzir custos a longo prazo. Não podemos arcar com esses custos médicos crescentes para sempre.