Verwendung von NLP und neuronalen Netzen zur autonomen Identifizierung von schwerem Asthma und zur Bestimmung der Studienberechtigung in einem großen Gesundheitssystem

Asthma ist eine heterogene Erkrankung. Die Heterogenität von Asthma wird durch klinische Beobachtungen und genomweite Assoziationsstudien (GWASs) gestützt, die über 200 Asthmaanfälligkeitsorte in der DNA identifiziert haben. Diese genetischen „Hot Spots“ befinden sich in der Nähe von entzündlichen Zytokinen, Wachstumsfaktoren und anderen entzündlichen Proteinen, die bekanntermaßen mit Atemwegsentzündungen in Zusammenhang stehen, einschließlich der Zytokine IL-4, -5, -13, -25, -33 und TSLP.

Neuartige monoklonale Antikörpertherapien haben die Behandlung von mittelschwerem bis schwerem Asthma drastisch verändert. Neuartige monoklonale Antikörpertherapien, die in den letzten sieben Jahren eingeführt wurden, haben die Behandlungsmöglichkeiten für Patienten mit mittelschwerem bis schwerem Asthma erheblich erweitert. Diese Therapien reduzieren oder beseitigen wirksam schwere Exazerbationen, verhindern Krankenhausaufenthalte und verbessern die Lebensqualität der Patienten. Allerdings werden viele Patienten mit schwerem Asthma, insbesondere solche, die in unterversorgten Gebieten leben, immer noch mit Steroiden überbehandelt und mit monoklonalen Antikörpern unzureichend behandelt.

Der 21st Century Cures Act wird die Forschungslandschaft verändern. Der 21st Century Cures Act verstärkte die Nutzung von Real-World-Daten (RWD) und Real-World-Evidence (RWE) zur Unterstützung klinischer Studien, zur Unterstützung bei Entscheidungen zur Arzneimittelabdeckung, zur Entwicklung nationaler Behandlungsrichtlinien sowie standardisierter Entscheidungsunterstützungsinstrumente. Eine nicht ausreichend genutzte Quelle für RWE/D sind elektronische Gesundheitsakten (EHR). Maschinelles Lernen (ML), KI und Verarbeitung natürlicher Sprache (NLP) entwickeln Technologien, die unsere Fähigkeit, Daten in EHR-Systemen zu nutzen, erheblich verbessern werden.

Die Studie zielt darauf ab, neue Technologien (ML, KI, NLP) zu nutzen, um Populationen mit mittelschwerem bis schwerem Asthma innerhalb eines EHR-Systems autonom zu identifizieren, Unterschiede in den Behandlungsmustern zwischen verschiedenen Populationen zu beschreiben und die Eignung für Studien zu bestimmen.

Primäre Ziele Bitte stellen Sie sicher, dass Sie die primären Ziele detailliert angeben. Ziel 1. Bestimmen und validieren Sie eine Diagnose von schwerem Asthma (SA) mithilfe von Vorhersagefunktionen aus dem EHR von Scripps Health.

• Ziel 1a: Verwenden Sie ML, das auf strukturierte EHR-Daten angewendet wird, um SA vorherzusagen. Nutzen Sie die Meinung von zwei Fachärzten und die ATS-Richtlinien, um die Modellgenauigkeit zu bestimmen.
• Ziel 1b: NLP auf unstrukturierten Text anwenden, um SA vorherzusagen. Bestimmen Sie die Modellgenauigkeit wie oben in Ziel 1a.
• Ziel 1c: Verwenden Sie eine Kombination aus ML, angewendet auf strukturierte Daten, um SA vorherzusagen. Bestimmen Sie die Modellgenauigkeit wie oben in Ziel 1a.