Kunstig intelligens for automatisert klinisk datautforskning fra elektroniske medisinske journaler (CardioMining-AI)

Til tross for den raske utviklingen innen medisin og informatikk de siste årene, er den medisinske behandlingen i moderne klinisk praksis ofte empirisk og basert på retrospektive data. Med det økende antallet pasienter og deres konsentrasjon i store tertiære sentre, blir det attraktivt å systematisk samle inn kliniske data og anvende dem på risikostratifiseringsmodeller. Men med det økende datavolumet blir manuell datainnsamling og prosessering en utfordring, siden denne tilnærmingen er tidkrevende og kostbar for helsevesenet. I tillegg skrives ustrukturert informasjon, som kliniske notater, svært ofte som fritekst som er uegnet for direkte analyse. Bruken av kunstig intelligens er veldig lovende og kommer til å raskt endre fremtiden til medisinen i de kommende årene. På grunn av de automatiserte prosessene det tilbyr, er det mulig å raskt og pålitelig trekke ut data for videre behandling. Resultatene fra bruken kan enkelt utvides til ulike helsesystemer, forsterke kunnskapen som produseres og forbedre diagnostisk og terapeutisk nøyaktighet, og til slutt påvirke helsetjenester positivt. Å samle inn den enorme mengden data fra forskjellige kilder uten å kompromittere pasientenes personlige data er en stor utfordring i moderne vitenskap.

Elektronisk registrerte kliniske notater fra pasienter som var innlagt på kardiologisk avdeling ved tertiære sykehus vil bli samlet inn i etterkant, samt tilleggsfiler som laboratorie- og bildeundersøkelser knyttet til hver sykehusinnleggelse. Gitt størrelsen på de deltakende klinikkene og årene hvor registrering av elektroniske sykehusjournaler i elektronisk form ble benyttet, er det anslått at utvalget av pasientjournaler vil være om lag 60.000. All informasjon som potensielt kan brukes til å identifisere en person, som navn, ID-nummer, postnummer, bosted, yrke, vil bli slettet fra disse elektroniske filene. Bare alderen vil bli registrert, ikke den nøyaktige fødselsdatoen til hver pasient. Kun dagene for sykehusinnleggelse vil bli registrert og ikke de eksakte datoene for innleggelse og utskrivning fra sykehuset. Dermed vil ikke dataene kunne tildeles et spesifikt emne, da det ikke vil samles inn ytterligere informasjon eller identifikatorer for emnene. Etter at filene er anonymisert, vil hver pasients kliniske notat bli knyttet til en spesifikk nøkkel ("identifikator"). Den elektroniske filen som inneholder korrelasjonen mellom "identifikatoren" og pasientens kliniske notat vil bli lagret på et sikkert elektronisk sted på sykehuset. De fullstendig anonymiserte filene vil i utgangspunktet bli manuelt analysert for å trekke ut informasjon til en database som inneholder all pasientens kliniske informasjon, som utskrivningsdiagnoser, medisiner, behandlingsprotokoller, laboratorie- og diagnostiske tester. Samtidig vil en prøve (1/3) av de kliniske notatene bli analysert for å identifisere nøkkelordene eller setningene knyttet til hver diagnose (for eksempel vil atrieflimmerdiagnosen sannsynligvis bli registrert som "atrieflimmer", "AF" , etc.). Ved å bruke denne genererte ordboken med nøkkelord og ved å integrere kunstig intelligens-metoder og tekstutvinning, slik som naturlig språkbehandling (NLP), vil en automatisert utvinning av data og diagnoser fra disse elektroniske medisinske notatene bli forsøkt. Påliteligheten og nøyaktigheten til beregningsmetodene vil bli evaluert internt, og sammenligne dataene som trekkes ut automatisk med de som er registrert manuelt. I tillegg vil påliteligheten og nøyaktigheten til disse beregningsmetodene bli evaluert eksternt, ved å bruke disse metodene på 2/3 av de kliniske notatene der ingen assosiasjon mellom nøkkelord og spesifikke diagnoser ble forsøkt.

Når det gjelder Hellas, har denne studien som mål å være den første som analyserer nytten av kunstig intelligens for automatisert utvinning og prosessering av ustrukturerte kliniske data fra pasienters medisinske kliniske notater. Resultatene av denne studien vil ha en positiv innvirkning på:

1. automatisering av storskala dataanalyse og behandlingsprosedyrer
2. rask epidemiologisk registrering og bruk av kliniske data
3. tidlig diagnose av sykdommer
4. utvikling av fenotypiske pasientprofiler som kan ha nytte av målrettede terapier
5. utvikling av kliniske beslutningsstøttesystemer som vil gi informasjon om mulig klinisk forløp hos pasienter etter sykehusutskrivning og bistå medisinske beslutninger
6. utvikling og validering av prognostiske modeller for store hjerte- og karsykdommer