Uso de PNL y redes neuronales para identificar de forma autónoma el asma grave y determinar la elegibilidad para estudios en un gran sistema de atención médica

El asma es una enfermedad heterogénea. La heterogeneidad del asma está respaldada por observaciones clínicas y estudios de asociación de todo el genoma (GWAS) que han identificado más de 200 loci de susceptibilidad al asma en el ADN. Estos "puntos calientes" genéticos están cerca de citocinas inflamatorias, factores de crecimiento y otras proteínas inflamatorias relacionadas conscientemente con la inflamación de las vías respiratorias, incluidas las citocinas IL-4, -5, -13, -25, -33 y TSLP.

Las nuevas terapias con anticuerpos monoclonales han cambiado drásticamente el tratamiento del asma de moderada a grave. Las nuevas terapias con anticuerpos monoclonales introducidas en los últimos siete años han avanzado enormemente en las opciones de tratamiento para los pacientes con asma de moderada a grave. Estas terapias reducen o eliminan eficazmente las exacerbaciones graves, previenen hospitalizaciones y mejoran la calidad de vida de los pacientes. Sin embargo, muchos pacientes con asma grave, en particular los que viven en zonas desatendidas, todavía reciben un tratamiento excesivo con esteroides y un tratamiento insuficiente con anticuerpos monoclonales.

La Ley de Curas del Siglo XXI cambiará el panorama de la investigación. La Ley de Curas del Siglo XXI reforzó el uso de datos del mundo real (RWD) y evidencia del mundo real (RWE) para respaldar ensayos clínicos, ayudar en las decisiones de cobertura de medicamentos, desarrollar pautas de tratamiento nacionales y herramientas estandarizadas de apoyo a las decisiones. Una fuente infrautilizada de RWE/D son los registros médicos electrónicos (EHR). El aprendizaje automático (ML), la inteligencia artificial y el procesamiento del lenguaje natural (NLP) están desarrollando tecnologías que mejorarán enormemente nuestra capacidad para aprovechar los datos en los sistemas EHR.

El estudio tiene como objetivo utilizar nuevas tecnologías (ML, AI, PNL) para identificar de forma autónoma poblaciones con asma de moderada a grave dentro de un sistema EHR, describir diferencias en los patrones de tratamiento entre diferentes poblaciones y determinar la elegibilidad para el ensayo.

Objetivos principales Asegúrese de detallar los objetivos principales Objetivo 1. Determinar y validar un diagnóstico de asma grave (SA) utilizando funciones predictivas obtenidas del EHR de Scripps Health.

• Objetivo 1a: utilizar ML aplicado a datos EHR estructurados para predecir SA. Utilice la opinión de 2 médicos especializados y las pautas de la ATS para determinar la precisión del modelo.
• Objetivo 1b: utilizar PNL aplicada a texto no estructurado para predecir SA. Determine la precisión del modelo como se indicó anteriormente en el objetivo 1a.
• Objetivo 1c: utilizar una combinación de ML aplicado a datos estructurados para predecir SA. Determine la precisión del modelo como se indicó anteriormente en el objetivo 1a.