NLP:n ja hermoverkkojen käyttäminen vaikean astman itsenäiseen tunnistamiseen ja tutkimuskelpoisuuden määrittämiseen suuressa terveydenhuoltojärjestelmässä

Astma on heterogeeninen sairaus. Astman heterogeenisyyttä tukevat kliiniset havainnot ja genominlaajuiset assosiaatiotutkimukset (GWAS), jotka ovat tunnistaneet DNA:sta yli 200 astmaalttiuslousta. Nämä geneettiset "kuumat pisteet" ovat lähellä tulehduksellisia sytokiinejä, kasvutekijöitä ja muita tulehduksellisia proteiineja, jotka ovat tietoisesti yhteydessä hengitysteiden tulehdukseen, mukaan lukien sytokiinit IL-4, -5, -13, -25, -33 ja TSLP.

Uudet monoklonaaliset vasta-ainehoidot ovat muuttaneet dramaattisesti keskivaikean tai vaikean astman hoitoa. Viimeisten 7 vuoden aikana käyttöön otetut uudet monoklonaaliset vasta-ainehoidot ovat parantaneet huomattavasti hoitovaihtoehtoja keskivaikeasta vaikeaan astmapotilaille. Nämä hoidot vähentävät tai poistavat tehokkaasti vakavia pahenemisvaiheita, estävät sairaalahoitoja ja parantavat potilaiden elämänlaatua. Kuitenkin monia vakavia astmapotilaita, erityisesti niitä, jotka asuvat alipalvetuilla alueilla, hoidetaan edelleen yli steroideilla ja alihoitoa monoklonaalisilla vasta-aineilla.

21st Century Cures Act -laki muuttaa tutkimuksen maisemaa. 21st Century Cures Act vahvisti tosielämän datan (RWD) ja tosielämän todisteiden (RWE) käyttöä kliinisten kokeiden tukemiseksi, lääkekattavuuspäätösten auttamiseksi, kansallisten hoitoohjeiden sekä standardoitujen päätöksenteon tukityökalujen kehittämisessä. Sähköiset terveystiedot (EHR) ovat vajaakäytössä oleva RWE/D-lähde. Koneoppiminen (ML), tekoäly ja luonnollisen kielen käsittely (NLP) kehittävät teknologioita, jotka edistävät suuresti kykyämme hyödyntää dataa EHR-järjestelmissä.

Tutkimuksen tavoitteena on käyttää uusia teknologioita (ML, AI, NLP), tunnistaa itsenäisesti kohtalaisia ​​tai vaikeita astmapopulaatioita EHR-järjestelmässä, kuvata eroja hoitotavoissa eri väestöryhmien välillä ja määrittää tutkimuskelpoisuus.

Ensisijaiset tavoitteet Varmista, että esität ensisijaiset tavoitteet yksityiskohtaisesti Tavoite 1. Määritä ja validoi vaikean astman (SA) diagnoosi käyttämällä Scripps Health EHR:stä saatuja ennakoivia ominaisuuksia.

• Tavoite 1a: Käytä strukturoituun EHR-tietoon sovellettua ML:ää SA:n ennustamiseen. Käytä kahden erikoislääkärin mielipidettä ja ATS-ohjeita mallin tarkkuuden määrittämiseen.
• Tavoite 1b: Käytä strukturoimattomaan tekstiin sovellettua NLP:tä SA:n ennustamiseen. Määritä mallin tarkkuus kuten edellä tavoitteessa 1a.
• Tavoite 1c: Käytä strukturoituun dataan sovelletun ML-yhdistelmän ennustamiseen SA:ta. Määritä mallin tarkkuus kuten edellä tavoitteessa 1a.