AI do các nhà nghiên cứu tạo ra sẽ giúp các bác sĩ đặt câu hỏi lâm sàng dễ dàng hơn để khám phá dữ liệu trong hồ sơ sức khỏe của bệnh nhân.
Hồ sơ sức khỏe điện tử thường được các bác sĩ tham khảo để có dữ liệu hỗ trợ cho việc lựa chọn phương pháp điều trị, tuy nhiên tính chất nặng nề của những hồ sơ này khiến quá trình này trở nên khó khăn. Theo nghiên cứu, ngay cả khi bác sĩ đã được dạy cách sử dụng hồ sơ sức khỏe điện tử (EHR), vẫn có thể mất hơn 8 phút để tìm ra câu trả lời cho chỉ một câu hỏi. Do đó, việc sử dụng các công cụ do công nghệ cung cấp có thể rất quan trọng cho tương lai của ngành chăm sóc sức khỏe. Ví dụ, gần đây người ta phát hiện ra rằng AI có thể cho biết những điều mà bác sĩ không thể. Bây giờ nó có thể xác định cuộc đua.
Tập dữ liệu được tạo ra với hơn 2,000 câu hỏi lâm sàng
Các bác sĩ có ít thời gian hơn để kết nối với bệnh nhân và quản lý việc chăm sóc, họ phải dành nhiều thời gian hơn để điều hướng giao diện EHR thường xuyên cồng kềnh.
Các thuật toán học máy đang được các nhà nghiên cứu phát triển để tăng tốc quá trình bằng cách tự động định vị dữ liệu mà bác sĩ yêu cầu trong EHR. Các mô hình hiệu quả phải được đào tạo trên các tập dữ liệu lớn chứa các câu hỏi y tế thích hợp, nhưng những câu hỏi này có thể khó tìm thấy do luật về quyền riêng tư. Các mô hình hiện tại thường không đưa ra được câu trả lời chính xác và gặp khó khăn khi đưa ra các câu hỏi thực tế mà bác sĩ con người sẽ hỏi.
Để giải quyết khoảng trống dữ liệu này, các nhà nghiên cứu của MIT cộng tác với các chuyên gia y tế để khám phá những thắc mắc mà bác sĩ đưa ra khi xem xét hồ sơ sức khỏe điện tử (EHR). Sau đó, họ tạo ra một tập dữ liệu mở cho công chúng và chứa hơn 2.000 câu hỏi lâm sàng được tạo ra bởi các chuyên gia y tế này.
Họ phát hiện ra rằng mô hình này đặt ra các câu hỏi xác thực và chất lượng cao hơn 60% so với các câu hỏi thực tế từ các chuyên gia y tế sau khi sử dụng tập dữ liệu của họ để huấn luyện mô hình học máy nhằm tạo ra các câu hỏi lâm sàng.
Họ muốn sử dụng tập dữ liệu này để tạo ra một số lượng lớn các truy vấn y tế thực tế, sẽ được sử dụng để đào tạo mô hình học máy có thể hỗ trợ các bác sĩ lâm sàng tìm thấy dữ liệu thích hợp trong hồ sơ bệnh nhân nhanh hơn.
“Hai nghìn câu hỏi nghe có vẻ nhiều, nhưng khi bạn nhìn vào các mô hình machine learning đang được đào tạo ngày nay, chúng có rất nhiều dữ liệu, có thể là hàng tỷ điểm dữ liệu. Khi đào tạo các mô hình học máy để hoạt động trong môi trường chăm sóc sức khỏe, bạn phải thực sự sáng tạo vì thiếu dữ liệu”, tác giả chính Eric Lehman, nghiên cứu sinh tại Phòng thí nghiệm Khoa học Máy tính và Trí tuệ Nhân tạo (CSAIL) giải thích. ).
Giáo sư Peter Szolovits, lãnh đạo Nhóm ra quyết định lâm sàng tại CSAIL và là thành viên của Phòng thí nghiệm AI Watson của MIT-IBM, là tác giả cấp cao và là giáo sư tại Khoa Kỹ thuật Điện và Khoa học Máy tính (EECS). Nghiên cứu này sẽ được trình bày tại hội nghị thường niên của Hiệp hội Ngôn ngữ học tính toán tại Bắc Mỹ. Các đồng tác giả của nó tại MIT, Phòng thí nghiệm AI Watson của MIT-IBM, IBM Research, cùng các bác sĩ và chuyên gia y tế đã giúp phát triển các câu hỏi và tham gia vào nghiên cứu đã làm việc cùng nhau trên bài báo.
“Dữ liệu thực tế rất quan trọng đối với các mô hình đào tạo phù hợp với nhiệm vụ nhưng khó tìm hoặc tạo. Giá trị của công việc này là thu thập cẩn thận các câu hỏi mà bác sĩ lâm sàng đặt ra về các trường hợp bệnh nhân, từ đó chúng tôi có thể phát triển các phương pháp sử dụng những dữ liệu này và mô hình ngôn ngữ chung để đặt những câu hỏi hợp lý hơn nữa”, Szolovits cho biết.
Lehman nói rằng có một số vấn đề xảy ra với một số ít bộ dữ liệu lớn về các câu hỏi lâm sàng mà các nhà nghiên cứu có thể xác định được. Một số trong số chúng được tạo thành từ các truy vấn y tế do bệnh nhân đăng từ các diễn đàn thảo luận trực tuyến, rất khác với các truy vấn dành cho bác sĩ. Các bộ dữ liệu khác có các câu hỏi được tạo bằng cách sử dụng các mẫu, điều này khiến nhiều câu hỏi trở nên không hợp lý.
Lehman cho biết: “Việc thu thập dữ liệu chất lượng cao thực sự quan trọng để thực hiện các nhiệm vụ học máy, đặc biệt là trong bối cảnh chăm sóc sức khỏe và chúng tôi đã chứng minh rằng điều đó có thể thực hiện được”.
Các nhà nghiên cứu của MIT đã cộng tác với các bác sĩ thực hành và sinh viên y khoa năm cuối để phát triển tập dữ liệu của họ. Hơn 100 bản tóm tắt xuất viện EHR đã được gửi đến các chuyên gia y tế này và họ được hướng dẫn xem qua từng bản tóm tắt và hỏi bất kỳ mối lo ngại nào mà họ có thể có. Trong nỗ lực thu được các câu hỏi tự nhiên, các nhà nghiên cứu đã không áp đặt bất kỳ ràng buộc nào đối với hình thức hoặc cấu trúc câu hỏi. Ngoài ra, họ yêu cầu các chuyên gia y tế chỉ ra “ngôn ngữ kích hoạt” cụ thể từ EHR đã nhắc nhở mỗi truy vấn.
Ví dụ, một chuyên gia về y học có thể đọc một ghi chú trong EHR nói rằng tiền sử bệnh trước đây của bệnh nhân rất quan trọng đối với bệnh ung thư tuyến tiền liệt và suy giáp. Chuyên gia có thể hỏi về ngày chẩn đoán của chuyên gia nếu sử dụng từ kích hoạt “ung thư tuyến tiền liệt”. có lẽ “bất kỳ sự can thiệp nào được thực hiện?”
Họ phát hiện ra rằng phần lớn các truy vấn đều tập trung vào các triệu chứng, thuốc hoặc kết quả xét nghiệm của bệnh nhân. Ngay cả khi những kết quả này không gây ngạc nhiên, Lehman tin rằng việc đo lường số lượng câu hỏi về từng chủ đề chính sẽ cho phép họ tạo ra một tập dữ liệu hữu ích để sử dụng trong môi trường lâm sàng thực tế.
Họ đã sử dụng tập dữ liệu gồm các câu hỏi kiểm tra và văn bản kích hoạt có liên quan để đào tạo các mô hình học máy sẽ tạo ra các câu hỏi mới tùy thuộc vào văn bản kích hoạt.
Sau đó, dựa trên bốn tiêu chí, các chuyên gia y tế xác định xem những câu hỏi đó có “tốt” hay không: tính dễ hiểu (Câu hỏi có hợp lý với bác sĩ không?), tính tầm thường (Có thể trả lời câu hỏi chỉ bằng cách đọc văn bản kích hoạt không?) , mức độ liên quan về mặt y tế (Có hợp lý khi đặt câu hỏi này trong bối cảnh không? ) và mức độ liên quan đến yếu tố kích hoạt ( Yếu tố kích hoạt có liên quan đến câu hỏi không?
Các nhà nghiên cứu cũng đào tạo các mô hình để tìm ra câu trả lời cho các câu hỏi lâm sàng
Khi một mô hình được cung cấp ngôn ngữ kích hoạt, các nhà nghiên cứu phát hiện ra rằng nó có thể đưa ra một câu hỏi hay trong 63% trường hợp, nhưng bác sĩ con người sẽ hỏi một câu hỏi hay trong 80% trường hợp.
Bằng cách sử dụng các bộ dữ liệu có thể truy cập công khai mà họ đã khám phá khi bắt đầu nghiên cứu này, họ cũng đào tạo các mô hình để tìm ra câu trả lời cho các câu hỏi lâm sàng. Sau đó, họ đưa những mô hình đã được đào tạo này vào thử nghiệm để xem liệu chúng có thể trả lời các câu hỏi “xuất sắc” do các chuyên gia y tế thực sự đặt ra hay không.
Các mô hình chỉ có thể phục hồi khoảng 25% câu trả lời cho các truy vấn mà các bác sĩ đưa ra.
“Kết quả đó thực sự đáng lo ngại. Lehman giải thích: “Những gì mọi người nghĩ là mô hình hoạt động tốt, trên thực tế, thật tệ vì các câu hỏi đánh giá mà họ đang kiểm tra ngay từ đầu đã không tốt”.
Nhóm hiện đang đưa công việc này vào sử dụng để đạt được mục tiêu ban đầu: phát triển một mô hình có thể tự động trả lời các câu hỏi của bác sĩ trong EHR. Giai đoạn tiếp theo sẽ bao gồm việc sử dụng tập dữ liệu của họ để đào tạo mô hình học máy có thể tự động tạo ra hàng chục nghìn hoặc hàng triệu câu hỏi lâm sàng chất lượng cao. Mô hình này sau đó có thể được sử dụng để xây dựng một mô hình mới cho việc trả lời câu hỏi tự động.
Lehman lấy cảm hứng từ những phát hiện đầu tiên đầy hứa hẹn mà nhóm đã đưa ra với bộ dữ liệu này, ngay cả khi vẫn còn nhiều việc phải làm trước khi mô hình đó có thể trở thành hiện thực. Ví dụ: Chăm sóc sức khỏe là một lĩnh vực mà AI được sử dụng nhiều. Bạn có biết rằng việc phân loại kích thích thị giác dựa trên mạng thần kinh sẽ mở đường cho việc chẩn đoán sớm bệnh Alzheimer không?
