Una roadmap per il Fascicolo Sanitario Elettronico intelligente: 4 – deep learning

DeepLearning

In questo articolo vedremo come è possibile impiegare l’intelligenza artificiale e le tecnologie di deep learning per eseguire dell’analisi predittiva sui pazienti ricoverati.

La rivista npj – Digital Medicine ha pubblicato un’interessante ricerca realizzata dal titolo “Scalable and accurate deep learning with electronic health records” realizzata da Alvin Rajkomar MD, Research Scientist, Eyal Oren PhD, Product Manager di Google e molti altri ricercatori dell’università di medicina di Stanford e di Chicago.

L’obiettivo della ricerca è stato di verificare l’attendibilità di alcune previsioni su pazienti ricoverati impiegando le tecnologie del deep learning. L’analisi è stata effettuata su dati anonimi estratti da cartelle cliniche elettroniche. I dati clinici sono molto complessi. Anche una semplice misurazione della temperatura ha un significato diverso a seconda che venga effettuata sotto la lingua, attraverso il timpano o sulla fronte. Inoltre, ogni azienda sanitaria personalizza la propria cartella clinica, facendo sì che i dati raccolti in un ospedale abbiano un aspetto diverso rispetto ai dati di un paziente che riceve cure simili in un altro ospedale. Per superare questo problema i ricercatori hanno realizzato un Fascicolo Sanitario Elettronico basato su FHIR.

Una volta caricati i dati, i ricercatori non hanno dovuto selezionare o armonizzare manualmente le variabili da utilizzare. Il modello di deep learning realizzato ha letto, per ogni previsione, tutti i dati e ha quindi imparato quali di questi aiutano a predire il risultato. Visto l’elevata quantità e varietà di dati (46 miliardi di oltre 216.000 pazienti), i ricercatori hanno sviluppato alcuni nuovi tipi di approcci di modellazione di deep learning basati su reti neurali ricorrenti (RNNNs) e reti feedforward.

Timeline
Fonte: Google AI Blog

I dati nella cartella di un paziente sono stati rappresentati con una timeline. A scopo illustrativo, sono stati visualizzati diversi tipi di dati clinici (ad es. contatti, test di laboratorio) per riga. Ogni dato, indicato con un piccolo punto grigio, è memorizzato in FHIR. Un modello di deep learning ha analizzato la cartella clinica di un paziente leggendo la linea temporale da sinistra a destra, dall’inizio di una cartella clinica fino al ricovero in corso, e ha utilizzato questi dati per fare diversi tipi di previsioni.

Dopo aver progettato un sistema informatico scalabile per eseguire le previsioni, l’attenzione dei ricercatori si è quindi concentrata sulla loro precisione. Il modo più comune per valutare l’accuratezza è un valore chiamato “the area-under-the-receiver-operator curve” che misura con che precisione un modello distingue tra un paziente che avrà un particolare esito rispetto a uno che non lo avrà. In questa metrica, 1.00 indica il 100% di affidabilità e 0.50 un esito uguale a decidere a caso, quindi numeri più alti indicano che il modello è più accurato.

I modelli impiegati nella ricerca hanno ottenuto un punteggio di 0,86 nel prevedere se i pazienti rimarranno a lungo in ospedale (la regressione logistica tradizionale ha ottenuto 0,76); hanno ottenuto 0,95 nel prevedere la mortalità ospedaliera (i metodi tradizionali erano 0,86) e 0,77 nel prevedere le riammissioni inattese dopo la dimissione dei pazienti (i metodi tradizionali erano 0,70). Questi risultati sono stati statisticamente significativi.

I ricercatori hanno anche utilizzato questi modelli per identificare le condizioni per le quali i pazienti venivano trattati. Ad esempio, se un medico ha prescritto il ceftriaxone e la doxiciciclina per un paziente con febbre e tosse elevate, il modello ha potuto dedurre che il paziente era in trattamento per la polmonite.

Un aspetto importante del lavoro dei ricercatori è stato di rendere evidente come i modelli di deep learning impiegato hanno interpretato i dati. Per questa ragione hanno creato delle “mappe dell’attenzione” per mostrare i dati importanti considerati dai modelli nel momento in cui fanno una previsione. La figura che segue, contenuta nello studio, mostra un esempio.

MappaAttenzione
Fonte: Google AI Blog

La figura mostra un modello di deep learning utilizzato per eseguire una previsione 24 ore dopo che un paziente è stato ricoverato in ospedale. La timeline (in alto nella figura) contiene mesi di dati storici e i dati più recenti sono mostrati in riquadri al centro. Il modello ha esaminato le informazioni evidenziate in rosso che erano nel grafico del paziente per “spiegare” la sua previsione. In questo caso di studio, il modello ha evidenziato informazioni che hanno senso clinicamente.

I risultati di questo lavoro sono, a detta dei ricercatori, precoci e basati solo su dati retrospettivi. Lo studio rappresenta solo l’inizio del lavoro necessario per testare l’ipotesi che il deep learning possa essere utilizzato per aiutare i medici.

Google ha brevettato le tecniche e i modelli che i ricercatori hanno realizzato nello studio. Questo esempio rende evidente perché impostare un Fascicolo Sanitario Elettronico su FHIR rappresenti per il sistema sanitario una grande opportunità, un modo per consentire un enorme salto in avanti rispetto all’attuale architettura.

Continua.

Rispondi