Цифровые медицинские записи и искусственный интеллект оптимизируют работу отделений неотложной помощи.

Расширение электронных медицинских данных

С 2008 года в США произошел взрывной рост электронных медицинских данных: 9,4% больниц сделали свои данные цифровыми в 2008 году по сравнению с 83,8% в 2015 году.

Во Франции в конце ноября 2019 г. был запущен Health Data Hub. В этом Hub будут собраны все данные французских государственных учреждений здравоохранения: медицинского страхования и больниц.

Эти данные будут использоваться для запуска новых алгоритмов, которые позволят улучшить диагностику и лечение, а также оптимизировать уход за пациентами в отделении неотложной помощи. Французским исследователям и практикам придется брать примеры из прагматических проектов, таких как проекты, возглавляемые Дэвидом Зонтагом и его командой из Группы клинического машинного обучения в Массачусетском технологическом институте.

Health Data Hub: французская платформа медицинских данных

Health Data Hub: 6 вопросов о платформе данных о здравоохранении и полемике
Le Health Data Hub является новой французской пластиной, предназначенной à croiser les bases de données de santé Existantes , à…www.numerama.com

Пилотный проект | Центр данных о здоровье | Франция
Le jury de l'appel à projets a retenu dix projets, qui, au-delà de leur qualité scientifique ou leurs retombées en…www.health-data-hub .fr

ИИ раньше ставил диагноз и предлагал протоколы в отделении неотложной помощи.

Цель состоит в том, чтобы заложить основу для следующего поколения интеллектуальных электронных медицинских карт, в которые встроен искусственный интеллект, чтобы облегчить медицинскую диагностику, персонализировать предложения по лечению, сделать документацию быстрее и лучше и предсказать неблагоприятные события до того, как они произойдут. «Дэвид Зонтаг

Используя следующие данные, Дэвид Зонтаг разработал алгоритмы, способные диагностировать наиболее распространенные патологии в отделении неотложной помощи. Этот алгоритм загружал в веб-приложение диагнозы, доступные врачам скорой помощи.

Данные о возрасте и поле пациента (желтый и светло-оранжевый)
Данные о лекарствах пациента (темно-оранжевый)
Данные о неотложной помощи (серый)
Заметки, сделанные медсестрами скорой помощи при сортировке (синим цветом)

Данные бывают как структурированными, так и неструктурированными (синие заметки), отсюда и преимущество использования машинного обучения, которое может автоматизировать обработку неструктурированных данных.

Через веб-интерфейс диагностический прогноз используется для оказания помощи в отделении неотложной помощи. Практикующие врачи могут свободно выбирать протокол ухода, отличный от того, который вызван алгоритмом.

Повышение производительности экстренной сортировки

Команда Дэвида Зонтага использует искусственный интеллект для разработки систем самозаполнения, которые позволяют медсестрам сортировки работать быстро и точно. Алгоритм делает прогнозы на основе констант, введенных при поступлении в отделение неотложной помощи, и медицинской карты пациента.

Эти прогнозы предлагаются в режиме «автоматического заполнения» для ввода причины посещения отделения неотложной помощи. Лицам, осуществляющим уход, предоставляется возможность выбрать предложенный прогноз или самостоятельно ввести причины госпитализации в отделение неотложной помощи.

Графы знаний для уточнения диагностики

Медицинские записи также используются исследователями для создания графиков причинно-следственных связей, изучающих взаимосвязь между болезнями и симптомами. После создания этих графов знаний они будут использоваться для диагностики и лечения.

Вот как цифровые медицинские карты превращаются в знания:
1/ Извлечение данных о заболеваниях и связанных с ними симптомах из миллионов медицинских карт.
2/ Использование машинного обучения для создания статистических моделей между заболеваниями и симптомами (% наличия опухоли головного мозга, когда у пациента болит голова).
3/ Преобразование статистических моделей в графы знаний.

Изучение графа знаний о здоровье из электронных медицинских карт
Спрос на системы поддержки принятия клинических решений в медицине и средства самодиагностики симптомов существенно вырос…www.nature.com

Графики знаний для предотвращения

Эти графы знаний также можно использовать в контексте борьбы с болезнями. Исследователи решили использовать возможности машинного обучения, чтобы помочь оценить в общей сложности 7962 биологически активных соединения, обнаруженных в пищевых источниках.

Эти молекулы были собраны в базе данных и введены в алгоритм, который определил, что среди этих соединений 110 молекул обладают противораковыми свойствами.

Основываясь на своих выводах, исследователи затем создали диаграмму знаний, которая показывает ценность различных продуктов в зависимости от их противоракового потенциала. На графе знаний каждый узел круга представляет определенный продукт питания; чем больше круг, тем больше противораковых молекул содержится в пище. Соединительные линии между узлами показывают, когда соединенные продукты содержат одинаковый набор молекул.