Artificiell intelligens för automatiserad klinisk datautforskning från elektroniska journaler (CardioMining-AI)

Trots den snabba utvecklingen inom medicin och datavetenskap de senaste åren är den medicinska behandlingen i modern klinisk praxis ofta empirisk och baserad på retrospektiva data. Med det växande antalet patienter och deras koncentration till stora tertiära centra, blir det attraktivt att systematiskt samla in kliniska data och tillämpa dem på riskstratifieringsmodeller. Men med den ökande mängden data blir manuell datainsamling och bearbetning en utmaning, eftersom detta tillvägagångssätt är tidskrävande och kostsamt för sjukvårdssystemen. Dessutom skrivs ostrukturerad information, såsom kliniska anteckningar, mycket ofta som fritext som är olämplig för direkt analys. Användningen av artificiell intelligens är mycket lovande och kommer att snabbt förändra medicinens framtid under de kommande åren. Tack vare de automatiserade processer det erbjuder är det möjligt att snabbt och tillförlitligt extrahera data för vidare bearbetning. Resultaten från dess användning kan enkelt utvidgas till olika hälso- och sjukvårdssystem, vilket förstärker den kunskap som produceras och förbättrar diagnostisk och terapeutisk noggrannhet, och i slutändan positivt påverkar hälsovården. Att samla in den stora mängden data från olika källor utan att kompromissa med patienternas personuppgifter är en stor utmaning inom modern vetenskap.

Elektroniskt registrerade kliniska anteckningar om patienter som var inlagda på kardiologiska avdelningen på tertiära sjukhus kommer att samlas in i efterhand, liksom ytterligare filer såsom laboratorie- och bildundersökningar relaterade till varje sjukhusvistelse. Med tanke på storleken på de deltagande klinikerna och de år under vilka registrering av elektroniska sjukhusjournaler i elektronisk form har tillämpats, beräknas urvalet av patientjournaler bli cirka 60 000. All information som potentiellt kan användas för att identifiera en person, såsom namn, ID-nummer, postnummer, bostadsort, yrke, kommer att raderas från dessa elektroniska filer. Endast åldern kommer att registreras, inte det exakta födelsedatumet för varje patient. Endast inläggningsdagarna kommer att registreras och inte de exakta datumen för intagning och utskrivning från sjukhuset. Uppgifterna kommer alltså inte att kunna tilldelas ett specifikt ämne, eftersom ingen ytterligare information eller identifierare kommer att samlas in för försökspersonerna. Efter att filerna har anonymiserats kommer varje patients kliniska anteckning att länkas med en specifik nyckel ("identifierare"). Den elektroniska filen som innehåller korrelationen mellan "identifieraren" och patientens kliniska anteckning kommer att lagras på en säker sjukhus elektronisk plats. De helt anonymiserade filerna kommer initialt att analyseras manuellt för att extrahera information till en databas som innehåller alla patienters kliniska information, såsom utskrivningsdiagnoser, mediciner, behandlingsprotokoll, laboratorietester och diagnostiska tester. Samtidigt kommer ett prov (1/3) av de kliniska anteckningarna att analyseras för att identifiera nyckelord eller fraser som är associerade med varje diagnos (till exempel kommer förmaksflimmerdiagnosen troligen att registreras som "förmaksflimmer", "AF" , etc.). Genom att använda denna genererade ordbok med nyckelord och genom att integrera artificiell intelligensmetoder och textutvinning, såsom naturlig språkbehandling (NLP), kommer en automatiserad extrahering av data och diagnoser från dessa elektroniska medicinska anteckningar att försökas. Tillförlitligheten och noggrannheten hos beräkningsmetoderna kommer att utvärderas internt, och data som extraheras automatiskt jämförs med de som registreras manuellt. Dessutom kommer tillförlitligheten och noggrannheten hos dessa beräkningsmetoder att utvärderas externt, med tillämpning av dessa metoder på 2/3 av de kliniska anteckningarna där ingen koppling mellan nyckelord och specifika diagnoser försöktes.

När det gäller Grekland syftar denna studie till att vara den första som analyserar användbarheten av artificiell intelligens för automatiserad extraktion och bearbetning av ostrukturerade kliniska data från patienters medicinska kliniska anteckningar. Resultaten av denna studie kommer att ha en positiv inverkan på:

1. automatisering av storskaliga dataanalys- och bearbetningsförfaranden
2. snabb epidemiologisk registrering och användning av kliniska data
3. tidig diagnos av sjukdomar
4. utveckling av fenotypiska patientprofiler som kan dra nytta av riktade terapier
5. utveckling av kliniska beslutsstödssystem som ska ge information om det möjliga kliniska förloppet hos patienter efter sjukhusutskrivning och hjälpa medicinska beslut
6. utveckling och validering av prognostiska modeller för stora hjärt-kärlsjukdomar