Brug af NLP og neurale netværk til autonomt at identificere svær astma og bestemme undersøgelsesberettigelse i et stort sundhedssystem

Astma er en heterogen sygdom. Astmas heterogenitet understøttes af kliniske observationer og genom-wide association-studier (GWAS'er), der har identificeret over 200 astmafølsomhedsloci i DNA'et. Disse genetiske "hot spots" er nær inflammatoriske cytokiner, vækstfaktorer og andre inflammatoriske proteiner, der bevidst er forbundet med luftvejsinflammation, herunder cytokinerne IL-4, -5, -13, -25, -33 og TSLP.

Nye monoklonale antistofterapier har drastisk ændret behandlingen af ​​moderat til svær astma. Nye monoklonale antistofterapier introduceret i de sidste 7 år har meget avancerede behandlingsmuligheder for moderat til svær astmapatienter. Disse terapier reducerer eller eliminerer effektivt alvorlige eksacerbationer, forhindrer hospitalsindlæggelser og forbedrer patienternes livskvalitet. Men mange svære astmapatienter, især dem, der bor i underbehandlede områder, bliver stadig overbehandlet med steroider og underbehandlet med monoklonale antistoffer.

The 21st Century Cures Act vil ændre forskningens landskab. The 21st Century Cures Act forstærkede brugen af ​​data fra den virkelige verden (RWD) og beviser fra den virkelige verden (RWE) til at understøtte kliniske forsøg, hjælpe med beslutninger om lægemiddeldækning, udvikle nationale behandlingsretningslinjer samt standardiserede beslutningsstøtteværktøjer. En underudnyttet kilde til RWE/D er elektroniske sundhedsjournaler (EPJ). Machine Learning (ML), AI og naturlig sprogbehandling (NLP) udvikler teknologier, der i høj grad vil fremme vores evne til at udnytte data i EPJ-systemer.

Undersøgelsen har til formål at bruge nye teknologier (ML, AI, NLP), til autonomt at identificere moderate til svære astmapopulationer inden for et EPJ-system, beskrive forskelle i behandlingsmønstre på tværs af forskellige populationer og bestemme egnethed til forsøg.

Primære mål Sørg for, at du detaljerer de primære mål. Mål 1. Bestem og valider en diagnose af svær astma (SA) ved hjælp af prædiktive funktioner hentet fra Scripps Health EHR.

• Mål 1a: Brug ML anvendt på strukturerede EPJ-data til at forudsige SA. Brug udtalelsen fra 2 specialuddannede læger og ATS-retningslinjer til at bestemme modellens nøjagtighed.
• Mål 1b: Brug NLP anvendt på ustruktureret tekst til at forudsige SA. Bestem modellens nøjagtighed som ovenfor i mål 1a.
• Mål 1c: Brug en kombination af ML anvendt på strukturerede data til at forudsige SA. Bestem modellens nøjagtighed som ovenfor i mål 1a.