Bruk av NLP og nevrale nettverk for autonomt å identifisere alvorlig astma og bestemme studiekvalifisering i et stort helsevesen

Astma er en heterogen sykdom. Heterogeniteten til astma støttes av kliniske observasjoner og genomomfattende assosiasjonsstudier (GWAS) som har identifisert over 200 astmafølsomhetsloci i DNA. Disse genetiske "hot spots" er nær inflammatoriske cytokiner, vekstfaktorer og andre inflammatoriske proteiner bevisst knyttet til luftveisbetennelse, inkludert cytokiner IL-4, -5, -13, -25, -33 og TSLP.

Nye monoklonale antistoffterapier har drastisk endret behandlingen av moderat til alvorlig astma. Nye monoklonale antistoffterapier introdusert de siste 7 årene har svært avanserte behandlingsalternativer for moderat til alvorlig astmapasienter. Disse terapiene reduserer eller eliminerer effektivt alvorlige eksacerbasjoner, forhindrer sykehusinnleggelser og forbedrer pasientenes livskvalitet. Imidlertid blir mange alvorlige astmapasienter, spesielt de som bor i underbetjente områder, fortsatt overbehandlet med steroider og underbehandlet med monoklonale antistoffer.

The 21st Century Cures Act vil endre landskapet for forskning. The 21st Century Cures Act forsterket bruken av data fra den virkelige verden (RWD) og bevis fra den virkelige verden (RWE) for å støtte kliniske studier, hjelpe til med beslutninger om legemiddeldekning, utvikle nasjonale behandlingsretningslinjer samt standardiserte beslutningsstøtteverktøy. En underutnyttet kilde til RWE/D er elektroniske helsejournaler (EPJ). Maskinlæring (ML), AI og naturlig språkbehandling (NLP) utvikler teknologier som i stor grad vil fremme vår evne til å utnytte data i EPJ-systemer.

Studien tar sikte på å bruke nye teknologier (ML, AI, NLP), for autonomt å identifisere moderate til alvorlige astmapopulasjoner i et EPJ-system, beskrive forskjeller i behandlingsmønstre på tvers av forskjellige populasjoner, og bestemme kvalifisering for prøvelser.

Primære mål Sørg for at du detaljerer primære mål Mål 1. Bestem og valider en diagnose av alvorlig astma (SA) ved å bruke prediktive funksjoner hentet fra Scripps Health EHR.

• Mål 1a: Bruk ML brukt på strukturerte EPJ-data for å forutsi SA. Bruk vurderingene fra 2 spesialtrente leger og ATS-retningslinjer for å bestemme modellens nøyaktighet.
• Mål 1b: Bruk NLP brukt på ustrukturert tekst for å forutsi SA. Bestem modellens nøyaktighet som ovenfor i mål 1a.
• Mål 1c: Bruk en kombinasjon av ML brukt på strukturerte data for å forutsi SA. Bestem modellens nøyaktighet som ovenfor i mål 1a.