Les chercheurs de l'UCLA ont développé un système d'IA qui transforme normalement des dossiers de santé électroniques fragmentés (DSE) dans des tableaux en récits lisibles, permettant à l'intelligence artificielle de donner un sens aux histoires complexes des patients et à utiliser ces récits pour effectuer un soutien à la décision clinique avec une grande précision. Le modèle d'incorporation multimodal pour le DSE (MEME) transforme les données de santé tabulaires en « pseudonotes » qui reflètent la documentation clinique, permettant aux modèles d'IA conçus pour que le texte analyse les informations des patients plus efficacement.
Sommaire
Pourquoi ça compte
Les dossiers de santé électroniques contiennent de grandes quantités d'informations sur les patients qui pourraient aider les médecins à prendre des décisions plus rapides et plus précises dans les situations d'urgence. Cependant, la plupart des modèles d'IA de pointe fonctionnent avec du texte, tandis que les données hospitalières sont stockées dans des tables complexes avec des nombres, des codes et des catégories. Cette inadéquation a empêché les systèmes de santé de tirer parti entièrement les capacités avancées de l'IA. Les services d'urgence, où des décisions rapides peuvent être critiques, en particulier besoin d'outils qui peuvent rapidement traiter les antécédents complets des patients pour prédire les résultats et guider les décisions de traitement.
Ce que l'étude a fait
Les chercheurs ont créé une nouvelle approche qui convertit les données tabulaires des enregistrements de santé électronique en « pseudonotes » basés sur le texte en utilisant des raccourcis de documentation médicale couramment utilisés par les prestataires de soins de santé. En d'autres termes, au lieu de traiter le DSE comme une collection de codes, les pseudonotes crée une histoire composée de plusieurs récits. Le système divise les données des patients en blocs spécifiques au concept (médicaments, vitaux du triage, diagnostics, etc.), transformant chacun en texte à l'aide de modèles simples, puis code séparément à l'aide de modèles de langage. Il émule essentiellement une forme de raisonnement médical.
Ils ont ensuite nourri ce texte à des modèles de langage avancés, en traitant différents types d'informations sur la santé, comme les résultats de laboratoire, les diagnostics et les médicaments, en tant que flux de données séparés mais connexes. L'équipe a testé son système contre les méthodes d'apprentissage automatique traditionnelles, les modèles d'IA de soins de santé spécialisés et les approches basées sur l'incitation en utilisant de véritables tâches de prédiction du service d'urgence.
Ce qu'ils ont trouvé
Au cours de plus de 1,3 million de visites de salles d'urgence du Medical Information Mart for Intensive Care (Mimic) Database et des ensembles de données UCLA, MEME a systématiquement surpassé les approches existantes sur plusieurs tâches d'aide à la décision du service d'urgence. L'approche du texte multimodal, qui traite séparément différentes composantes des dossiers de santé, a obtenu de meilleurs résultats que d'essayer de combiner toutes les informations en une seule représentation. Le système a démontré des performances supérieures par rapport aux techniques traditionnelles d'apprentissage automatique, des modèles de fondation spécifiques au DSE comme CLMBR et Clinical LongFormer, et des méthodes d'incitation standard. L'approche a également montré une bonne portabilité dans différents systèmes hospitaliers et des normes de codage.
Quelle est la prochaine étape
L'équipe de recherche prévoit de tester l'efficacité de Meme dans d'autres milieux cliniques au-delà des services d'urgence pour valider son applicabilité plus large. Ils visent également à aborder les limites observées dans la généralisabilité du modèle inter-sites, travaillant pour s'assurer que le système fonctionne de manière cohérente dans différentes établissements de santé. Les travaux futurs se concentreront sur l'extension de l'approche pour accueillir de nouveaux concepts médicaux et l'évolution des normes de données sur les soins de santé, ce qui rend potentiellement l'IA avancée plus accessible aux systèmes de soins de santé.
Des experts
« Cela comble un écart critique entre les modèles d'IA les plus puissants disponibles aujourd'hui et la réalité complexe des données de santé », a déclaré Simon Lee, doctorant chez UCLA Computational Medicine. « En convertissant les dossiers hospitaliers en un format que les modèles de langage avancés peuvent comprendre, nous déverrouillons des capacités qui étaient auparavant inaccessibles aux prestataires de soins de santé. Le fait que cette approche est plus portable et adaptable que les systèmes d'IA de soins de santé existants pourraient le rendre particulièrement précieux pour les établissements travaillant avec différentes normes de données. »
