Sistema sanitario

Natura (2023) Cita questo articolo

18k accessi

604 Altmetrico

Dettagli sulle metriche

Ogni giorno i medici prendono decisioni critiche in tempi limitati. I modelli predittivi clinici possono aiutare i medici e gli amministratori a prendere decisioni prevedendo eventi clinici e operativi. I modelli predittivi clinici strutturati basati su dati esistenti hanno un uso limitato nella pratica quotidiana a causa della complessità nell’elaborazione dei dati, nonché nello sviluppo e nell’implementazione dei modelli1,2,3. Qui mostriamo che le note cliniche non strutturate della cartella clinica elettronica possono consentire la formazione di modelli di linguaggio clinico, che possono essere utilizzati come motori predittivi clinici multiuso con sviluppo e implementazione a bassa resistenza. Il nostro approccio sfrutta i recenti progressi nell'elaborazione del linguaggio naturale4,5 per addestrare un ampio modello linguistico per il linguaggio medico (NYUTron) e successivamente perfezionarlo su un'ampia gamma di compiti predittivi clinici e operativi. Abbiamo valutato il nostro approccio all’interno del nostro sistema sanitario per cinque di questi compiti: previsione della riammissione in ospedale per tutte le cause a 30 giorni, previsione della mortalità intraospedaliera, previsione dell’indice di comorbilità, previsione della durata del ricovero e previsione del rifiuto assicurativo. Mostriamo che NYUtron ha un'area sotto la curva (AUC) del 78,7–94,9%, con un miglioramento del 5,36–14,7% nell'AUC rispetto ai modelli tradizionali. Dimostriamo inoltre i vantaggi del pre-addestramento con testo clinico, il potenziale per aumentare la generalizzabilità a diversi siti attraverso la messa a punto e l'implementazione completa del nostro sistema in uno studio prospettico a braccio singolo. Questi risultati mostrano il potenziale dell’utilizzo di modelli di linguaggio clinico in medicina per leggere insieme ai medici e fornire assistenza sul posto di cura.

Ogni giorno i medici prendono decisioni difficili che richiedono l’integrazione di un’enorme quantità di informazioni. Le informazioni necessarie per prendere queste decisioni mediche sono sparse in vari documenti, ad esempio l'anamnesi del paziente e i referti di laboratorio e di imaging. Quando i medici svolgono il loro lavoro, tuttavia, tutte queste informazioni vengono infine integrate nelle note scritte dai medici per documentare e riassumere la cura del paziente.

I modelli predittivi clinici derivano spesso da regole che esistono da decenni6,7,8,9, nonché da metodi di apprendimento automatico10,11,12, e la maggior parte si basa su input strutturati estratti dalla cartella clinica elettronica (EHR) o direttamente dal medico input. Questa dipendenza da input strutturati introduce complessità nell’elaborazione dei dati, così come nello sviluppo e nell’implementazione dei modelli, che in parte è responsabile del fatto che la stragrande maggioranza degli algoritmi predittivi medici vengano addestrati, testati e pubblicati, ma mai utilizzati per valutare il loro impatto sulla realtà. assistenza clinica mondiale. Questo viene spesso definito il “problema dell'ultimo miglio” (rif. 1,2,3).

Uno degli sviluppi recenti più interessanti nella ricerca moderna sull’intelligenza artificiale (AI) sono i modelli linguistici di grandi dimensioni (LLM). È stato dimostrato che queste enormi reti neurali (con milioni o addirittura miliardi di parametri) ottengono risultati di grande impatto su un’ampia gamma di problemi che si basano sulla lettura e sull’interpretazione del linguaggio umano. Negli ultimi anni sono stati sviluppati diversi stili di LLM, che vanno dai modelli di codificatore (come BERT4) ai modelli di decodificatore (come GPT3; rif. 5). Abbiamo teorizzato che i LLM potrebbero potenzialmente risolvere il problema dell'ultimo miglio nell'analisi predittiva medica semplicemente leggendo le note scritte dai medici, accedendo così immediatamente a una descrizione completa dello stato medico di un paziente per fornire supporto decisionale presso il punto di cura in un'ampia gamma di aspetti. compiti clinici ed operativi.

Qui presentiamo i nostri risultati derivanti dallo sviluppo, valutazione, implementazione e valutazione prospettica di NYUTron, un sistema basato su LLM che può integrarsi in tempo reale con flussi di lavoro clinici incentrati sulla scrittura di note e sull'immissione di ordini elettronici. Il nostro approccio si basa sul fatto che tutti i dati clinicamente utili e i processi decisionali dei professionisti medici possono essere trovati come testo strutturato o non strutturato nelle cartelle cliniche elettroniche (ad esempio come note, risultati di laboratorio e rapporti sugli studi). Il nostro approccio sfrutta i recenti progressi nell'elaborazione del linguaggio naturale che suggeriscono che LLM sufficientemente scalati e autocontrollati possono sovraperformare gli approcci fortemente supervisionati su compiti predittivi non medici4,5,13. Investighiamo la nostra ipotesi nel NYU Langone Health System ("NYU Langone"), un grande sistema ospedaliero multi-distretto con una popolazione di pazienti diversificata a New York, con 4 ospedali urbani e 350 siti ambulatoriali. Valutiamo NYUTron su una serie di cinque attività, di cui tre cliniche e due operative (previsione di riammissione per tutte le cause a 30 giorni, previsione di mortalità intraospedaliera, previsione di indice di comorbilità, previsione di durata del ricovero (LOS) e previsione di rifiuto assicurativo) e fornire un'analisi dettagliata del nostro compito di riammissione di 30 giorni per esaminare questioni relative all'efficienza dei dati, alla generalizzabilità, all'implementazione e al potenziale impatto clinico. Ripensando tutta l'analisi predittiva medica (vedere Informazioni supplementari sezione 1.1 per lavori precedenti) come un problema di elaborazione del linguaggio naturale, mostriamo che è possibile utilizzare LLM come motori di previsione universale per un'ampia gamma di attività predittive mediche.