Система здоровья

Природа (2023)Цитировать эту статью

18 тысяч доступов

604 Альтметрика

Подробности о метриках

Врачи каждый день принимают критически важные решения, ограниченные во времени. Клинические прогностические модели могут помочь врачам и администраторам принимать решения путем прогнозирования клинических и операционных событий. Существующие клинические прогностические модели на основе структурированных данных имеют ограниченное применение в повседневной практике из-за сложности обработки данных, а также разработки и внедрения моделей1,2,3. Здесь мы показываем, что неструктурированные клинические записи из электронной медицинской карты могут обеспечить обучение моделям клинического языка, которые можно использовать в качестве универсальных механизмов клинического прогнозирования с разработкой и внедрением с низким сопротивлением. Наш подход использует последние достижения в области обработки естественного языка4,5 для обучения большой языковой модели медицинского языка (NYUTron) и последующей точной настройки ее для широкого спектра клинических и операционных прогностических задач. Мы оценили наш подход в нашей системе здравоохранения для решения пяти таких задач: прогнозирование 30-дневной повторной госпитализации по всем причинам, прогноз внутрибольничной смертности, прогноз индекса сопутствующих заболеваний, прогноз продолжительности пребывания и прогноз отказа в страховании. Мы показываем, что NYUTron имеет площадь под кривой (AUC) 78,7–94,9% с улучшением AUC на 5,36–14,7% по сравнению с традиционными моделями. Мы дополнительно демонстрируем преимущества предварительного обучения с клиническим текстом, потенциал повышения возможности обобщения для различных учреждений за счет тонкой настройки и полного развертывания нашей системы в проспективном одиночном исследовании. Эти результаты показывают потенциал использования клинических языковых моделей в медицине для чтения вместе с врачами и предоставления рекомендаций на местах оказания медицинской помощи.

Врачи каждый день принимают трудные решения, требующие обработки огромного количества информации. Информация, необходимая для принятия этих медицинских решений, разбросана по различным записям, например, истории болезни пациента, отчетам лабораторных исследований и изображений. Однако когда врачи выполняют свою работу, вся эта информация в конечном итоге включается в записи, написанные врачами, для документирования и обобщения ухода за пациентами.

Клинические прогностические модели часто основаны на правилах, существовавших десятилетиями6,7,8,9, а также на методах машинного обучения10,11,12, причем большинство из них полагаются на структурированные данные, полученные из электронных медицинских карт (ЭМК) или непосредственно от врача. входы. Подобная зависимость от структурированных входных данных усложняет обработку данных, а также разработку и внедрение моделей, что отчасти является причиной того, что подавляющее большинство алгоритмов медицинского прогнозирования обучаются, тестируются и публикуются, но никогда не используются для оценки их влияния на реальные данные. мировая клиническая помощь. Это часто называют «проблемой последней мили» (ссылки 1,2,3).

Одной из наиболее интересных последних разработок в современных исследованиях искусственного интеллекта (ИИ) являются модели больших языков (LLM). Было показано, что эти массивные нейронные сети (с миллионами или даже миллиардами параметров) дают эффективные результаты в решении широкого круга задач, связанных с чтением и интерпретацией человеческого языка. За последние несколько лет было разработано несколько стилей LLM: от моделей кодеров (таких как BERT4) до моделей декодеров (таких как GPT3; ссылка 5). Мы предположили, что LLM потенциально могут решить проблему последней мили в медицинской прогнозной аналитике, просто читая заметки, написанные врачами, тем самым немедленно получая всестороннее описание состояния здоровья пациента, чтобы обеспечить поддержку принятия решений на месте оказания медицинской помощи по широкому кругу вопросов. клинические и оперативные задачи.

Здесь мы представляем наши результаты разработки, оценки, внедрения и перспективной оценки NYUTron, системы на базе LLM, которая может интегрироваться в режиме реального времени с клиническими рабочими процессами, сосредоточенными на написании заметок и размещении электронных заказов. Наш подход основан на том факте, что все клинически полезные данные и процессы принятия решений медицинскими работниками можно найти в виде структурированного или неструктурированного текста в ЭУЗ (например, в виде примечаний, результатов лабораторных исследований и отчетов об исследованиях). Наш подход использует последние достижения в области обработки естественного языка, которые предполагают, что достаточно масштабированные LLM с самоконтролем могут превзойти подходы со строгим контролем в немедицинских прогностических задачах4,5,13. Мы исследуем нашу гипотезу в системе здравоохранения Нью-Йоркского университета в Лангоне («NYU Langone»), крупной больничной системе, объединяющей несколько районов Нью-Йорка, с разнообразным контингентом пациентов, включающей 4 городских больницы и 350 амбулаторных учреждений. Мы оцениваем NYUTron по набору пяти задач, включая три клинические и две оперативные задачи (30-дневное прогнозирование повторной госпитализации по всем причинам, прогноз внутрибольничной смертности, прогноз индекса сопутствующих заболеваний, прогноз продолжительности пребывания (LOS) и прогноз отказа в страховании) и предоставить подробный анализ нашей 30-дневной задачи по повторной госпитализации, чтобы рассмотреть вопросы эффективности данных, возможности обобщения, возможности развертывания и потенциального клинического воздействия. Переосмысливая всю медицинскую прогностическую аналитику (см. предыдущие работы в разделе «Дополнительная информация» 1.1) как проблему обработки естественного языка, мы показываем, что можно использовать LLM в качестве универсальных механизмов прогнозирования для широкого спектра медицинских прогностических задач.