Использование НЛП и нейронных сетей для автономной идентификации тяжелой астмы и определения соответствия критериям участия в исследовании в крупной системе здравоохранения

Астма – гетерогенное заболевание. Гетерогенность астмы подтверждается клиническими наблюдениями и полногеномными исследованиями ассоциаций (GWAS), которые выявили более 200 локусов предрасположенности к астме в ДНК. Эти генетические «горячие точки» находятся рядом с воспалительными цитокинами, факторами роста и другими воспалительными белками, заведомо связанными с воспалением дыхательных путей, включая цитокины IL-4, -5, -13, -25, -33 и TSLP.

Новые методы лечения моноклональными антителами радикально изменили лечение астмы средней и тяжелой степени. Новые методы лечения моноклональными антителами, внедренные за последние 7 лет, значительно расширили возможности лечения пациентов с астмой средней и тяжелой степени. Эти методы лечения эффективно уменьшают или устраняют тяжелые обострения, предотвращают госпитализации и улучшают качество жизни пациентов. Тем не менее, многие пациенты с тяжелой астмой, особенно те, кто живет в недостаточно обслуживаемых районах, по-прежнему получают избыточное лечение стероидами и недостаточное лечение моноклональными антителами.

Закон о лекарствах XXI века изменит ландшафт исследований. Закон о лечении в XXI веке усилил использование реальных данных (RWD) и реальных доказательств (RWE) для поддержки клинических испытаний, помощи в принятии решений о покрытии лекарств, разработки национальных руководств по лечению, а также стандартизированных инструментов поддержки принятия решений. Недостаточно используемым источником RWE/D являются электронные медицинские записи (ЭМК). Машинное обучение (ML), искусственный интеллект и обработка естественного языка (NLP) разрабатывают технологии, которые значительно расширят наши возможности использования данных в системах EHR.

Целью исследования является использование новых технологий (МО, ИИ, НЛП) для автономного выявления групп астмы от умеренной до тяжелой степени в системе EHR, описания различий в схемах лечения в разных группах населения и определения приемлемости для участия в исследовании.

Основные цели Пожалуйста, убедитесь, что вы подробно описали основные цели. Цель 1. Определить и подтвердить диагноз тяжелой астмы (СА) с использованием прогностических функций, полученных из ЭМК Scripps Health.

• Цель 1a: использовать машинное обучение применительно к структурированным данным EHR для прогнозирования SA. Используйте мнение двух врачей, прошедших специальную подготовку, и рекомендации ATS, чтобы определить точность модели.
• Цель 1b: Использовать НЛП применительно к неструктурированному тексту для прогнозирования СА. Определите точность модели, как указано выше в цели 1a.
• Цель 1c: использовать комбинацию машинного обучения, применяемую к структурированным данным, для прогнозирования SA. Определите точность модели, как указано выше в цели 1a.