Согласно недавнему исследованию, опубликованному в журнале NEJM AI , модель искусственного интеллекта, разработанная исследователями из Northwestern Medicine, улучшила преобразование данных электронных медицинских карт в стандартизированные ресурсы здравоохранения более эффективно, чем существующие методы.

По словам Юань Ло, доктора философии, доцента кафедры профилактической медицины в Отделении здравоохранения и биомедицинской информатики, директора Центра совместного ИИ в здравоохранении и старшего автора исследования , модель FHIR-GPT использует возможности больших языковых моделей для преобразования клинических данных в ресурсы Fast Healthcare Interoperability Resources (FHIR) и является шагом на пути к развитию взаимодействия медицинских данных, исследований, поддержки клинических испытаний и надзора за общественным здравоохранением.

«Это значительно ускорит темпы разрушения стен между различными системами здравоохранения, которые препятствуют агрегации медицинских данных и обмену данными для проведения масштабных исследований, в которых мы крайне нуждаемся, особенно с развитием технологий генеративного ИИ и больших языковых моделей», — сказал Луо.

Ло также является профессором педиатрии, главным специалистом по искусственному интеллекту в Институте клинических и трансляционных наук Северо-Западного университета (NUCATS) и Институте искусственного интеллекта в медицине, а также членом Комплексного онкологического центра Роберта Х. Лури Северо-Западного университета.

По мнению авторов, совместимость медицинских данных имеет решающее значение для улучшения ухода за пациентами, а также для достижения справедливости в реагировании на чрезвычайные ситуации в области общественного здравоохранения.

Чтобы ускорить этот важный обмен данными, федеральные агентства США, включая Управление национального координатора информационных технологий в здравоохранении, Центры по контролю и профилактике заболеваний и Центры услуг Medicare и Medicaid, способствовали принятию стандарта Fast Healthcare Interoperability Resources (FHIR).

Первоначально разработанный в 2011 году международной организацией по стандартизации Health Level 7, FHIR представляет собой установленный стандарт обмена электронными медицинскими картами (ЭМК) между организациями здравоохранения, включая академические медицинские центры и коммерческие предприятия, для обеспечения эффективного обмена клинической и административной информацией независимо от способа ее хранения.

FHIR также поддерживает различные приложения для медицинских исследований, включая вычислительное фенотипирование, поддержку клинических испытаний и разработку систем наблюдения.

«FHIR — это своего рода универсальный язык для медицинских данных, как английский язык для международного общения. Когда больницы переходят на FHIR, они могут беспрепятственно обмениваться данными друг друга и понимать их, что приводит к улучшению сотрудничества и улучшению ухода за пациентами», — сказал Луо.

По словам Луо, поскольку организации здравоохранения имеют собственные уникальные инфраструктуры, стандарты и форматы для создания, хранения и организации медицинских данных, преобразование медицинских данных в ресурсы FHIR является сложной задачей.

«Здравоохранение в США сильно фрагментировано», — сказал Луо. «Каждая больница использует собственную версию систем EHR, создавая данные, которые часто являются индивидуальными и сложными для обмена и интерпретации из-за нюансов в шаблонах и форматах. FHIR стремится устранить эти пробелы, предоставляя общий язык для обмена данными, позволяя больницам беспрепятственно обмениваться и объединять информацию. Эта стандартизация помогает преодолеть барьеры фрагментации, улучшая коммуникацию и сотрудничество в рамках всей системы здравоохранения».

В текущем исследовании команда Луо разработала обученную FHIR большую языковую модель, которая преобразует данные EHR в заявления о лекарствах FHIR, и сравнила производительность своей модели с текущими передовыми системами. Более 3600 фрагментов клинического текста были вручную аннотированы командой Луо, а затем использованы для подсказки GPT-4, большой языковой модели Open AI.

В ходе этих экспериментов FHIR-GPT идеально сопоставил данные EHR с выписками по лекарственным препаратам FHIR с показателем успешности 90%, что превзошло показатели существующих инструментов.

FHIR-GPT также улучшил показатели точного соответствия этих инструментов на 3% для путей введения лекарств, на 12% для количества доз, на 35% для причин введения лекарств, на 42% для медицинских форм и более чем на 50% для графиков приема лекарств.

По словам авторов, система не только точнее других, но и более эффективна в разработке и более масштабируема.

«С помощью больших языковых моделей мы можем стандартизировать данные в стандартизированном формате, чтобы затем создать большой набор данных и легко общаться с различными заинтересованными сторонами в сфере здравоохранения», — сказал Икуань Ли, магистр наук, студент пятого курса Интегрированной программы докторантуры по медицинским наукам и ведущий автор исследования.

Ло сообщил, что его команда намерена и дальше проверять систему и в конечном итоге внедрять ее в существующие системы здравоохранения по всей территории США, чтобы улучшить агрегацию данных о состоянии здоровья различных групп пациентов, а также улучшить уход за пациентами и повысить справедливость в отношении здоровья.

«Если вы задумаетесь о том, какие исследования или идеи могли бы возникнуть в этой более интегрированной, гораздо более многочисленной и разнообразной когорте, то возможности будут колоссальными», — сказал Ло.