[ad_1]

محققان روش جدیدی را برای شناسایی روابط پیچیده پزشکی ایجاد می کنند

محققان ORNL، VA و هاروارد یک ماتریس پراکنده پر از اطلاعات ناشناس در مورد آنچه که تصور می‌شود بزرگترین گروه داده‌های مراقبت‌های بهداشتی مورد استفاده برای این نوع تحقیقات در ایالات متحده است، ایجاد کردند. بینش جدید در مورد سلامت انسان اعتبار: Nathan Armistead/ORNL، وزارت انرژی ایالات متحده

تیمی از محققان از دپارتمان امور کهنه سربازان، آزمایشگاه ملی اوک ریج، دانشکده بهداشت عمومی تی چان هاروارد، دانشکده پزشکی هاروارد و بیمارستان بریگهام و زنان، یک تکنیک جدید مبتنی بر یادگیری ماشینی را برای کشف و شناسایی روابط بین مفاهیم پزشکی ایجاد کرده‌اند. با استفاده از داده های پرونده الکترونیکی سلامت در چندین ارائه دهنده مراقبت های بهداشتی.

این روش که استخراج دانش از طریق رگرسیون جاسازی پراکنده یا KESER نام دارد، اخیراً در npj پزشکی دیجیتال. این فرآیند داده‌های پرونده الکترونیکی سلامت را از دو موسسه بزرگ – مراقبت‌های بهداشتی شرکای مستقر در بوستون و VA – یکپارچه می‌کند و انتخاب ویژگی خودکار را ارائه می‌کند که منجر به الگوریتم‌های شناسایی فنوتیپ و کشف دانش می‌شود.

دکتر کاترین لیائو، محقق اصلی KESER در VA بوستون و دانشیار گفت: “KESER دیدگاه سطح بالایی از روابط بین دانش بالینی ارائه می دهد که ما همیشه نمی توانیم هنگام مراقبت از بیماران در سطح فردی یا گروهی ببینیم.” پزشکی در دانشکده پزشکی هاروارد ما مشتاقانه منتظر ترجمه روش‌ها و نتایج این مطالعه از برنامه‌های کاربردی در تحقیقات بالینی به پیشرفت‌های مراقبت بالینی هستیم.

این پروژه بخشی از کار اصلی phenomics به کارگردانی Drs. به گفته دفتر تحقیقات و توسعه VA، کلی چو و مایک گازیانو از VA بوستون و هاروارد تحت برنامه میلیون کهنه سرباز VA یا MVP، “برنامه تحقیقاتی ملی برای یادگیری چگونگی تاثیر ژن ها، شیوه زندگی و قرار گرفتن در معرض نظامی بر سلامت و بیماری” وب سایت MVP.

در سال 2016، ORNL شروع به همکاری با VA در MVP-CHAMPION کرد، یک ابتکار کلان داده تحت برنامه MVP، برای ایجاد یک پلت فرم پزشکی بزرگ و دقیق برای میزبانی از مجموعه داده های پرونده پزشکی گسترده VA، که شامل سوابق حدود 24 میلیون جانباز است. . در تلاش برای تقویت نوآوری مقطعی در حمایت از پروژه های تحقیقاتی متعدد تحت این برنامه مشترک VA-DOE، ORNL از نزدیک با MVP Data Core از VA بوستون و هاروارد برای شناسایی حوزه های تحقیقاتی خاص برای پیگیری کار کرد. در میان آنها تلاشی برای پاسخ به این سوال بود: چه عناصری را باید در پرونده های الکترونیک سلامت پیدا کنیم تا به درستی یک فنوتیپ معین را شناسایی کنیم؟

این تیم با کار با آنچه که آنها فکر می‌کنند بزرگترین گروه داده‌های مراقبت بهداشتی مورد استفاده برای این نوع تحقیقات در ایالات متحده است، شروع به خودکارسازی شناسایی روابط فنوتیپی کردند و در عین حال مفروضات یادگیری ماشینی و فرآیندهای تصمیم‌گیری اساسی را دید.

برای انجام این کار، آنها روش چهار مرحله‌ای KESER را طراحی و ساختند: تبدیل داده‌ها به یک قالب ساختاریافته، ساخت یک نمایش برداری با ابعاد پایین از هر کد پزشکی، انتخاب ویژگی‌ها برای نسبت دادن اهمیت و نگاشت روابط منتسب به عنوان یک شبکه.

پردازش داده و یادگیری بازنمایی

ORNL نقش کلیدی در کار خسته کننده و در عین حال ضروری پردازش و ساختاربندی انواع داده های پزشکی -روش های بیمار، تشخیص ها و اندازه گیری ها، و همچنین یادداشت های پزشک، اطلاعات نسخه ها و موارد دیگر- از میلیون ها بیمار در سراسر VA و مراقبت های بهداشتی شرکا ایفا کرد. .

ادمون بگلی، رئیس بخش سیستم‌های هوش مصنوعی ORNL و محقق اصلی پروژه MVP-CHAMPION، گفت: «فرآوری داده‌های بدون ساختار زیادی وجود دارد که قبل از اینکه به یک بخش ساختاریافته اطلاعاتی که می‌توان آن را در روش‌های آماری قرار داد، انجام می‌شود.» این تیم سال‌ها روی داده‌ها کار کرد تا آن‌ها را به حالتی برسانند که بتوانیم از آن برای تحقیق استفاده کنیم.»

با داده‌های پردازش‌شده، تیم یک ماتریس هم‌روند، متشکل از بیش از 100000 نوع رویداد یا کدهای مراقبت‌های بهداشتی – اساساً یک جدول داده عظیم، اما پراکنده با یک ردیف و ستون برای هر کد مراقبت‌های بهداشتی ممکن، ایجاد کرد. هر اتفاق همزمان در زمان بین دو رویداد به ایجاد تصویر واضح تر و دقیق تر از یک فنوتیپ معین کمک می کند.

این تیم با استفاده از زیرساخت کلان داده و تخصص ORNL در محاسبات علمی – که هنگام کار در این مقیاس از داده ها ضروری است – برای خودکارسازی پیش پردازش داده ها و در دسترس قرار دادن فرآیند برای عموم تلاش کرد.

اورت راش، دانشمند تحقیقاتی ORNL و مهندس ارشد داده در این پروژه گفت: «یک محقق یا مؤسسه می‌تواند کد را دانلود کند، داده‌های خود را در قالب صحیح ذخیره کند و فرآیند ما تمام مراحل مورد نیاز برای یکپارچه‌سازی داده‌های آنها با دیگران را انجام می‌دهد».

تیم تحقیقاتی برای محافظت از حریم خصوصی بیمار در طول پروژه دقت زیادی کرده است. این تیم تمام داده های VA را در زیرساخت داده های بهداشتی ایمن محافظت شده ORNL پردازش کرد. پس از تبدیل آن به یک سطح خلاصه ناشناس، آن را با هاروارد و سایر همکاران به اشتراک گذاشتند. ماتریس KESER به دست آمده هیچ پیوندی به بیماران فردی ندارد.

دالاس ساکا، مهندس راه حل ارشد ORNL، گفت: “هیچ راهی برای ردیابی نتایج نهایی به یک بیمار وجود ندارد، زیرا اینها کل هستند.” Sacca محفظه داده های بهداشتی محافظت شده در ORNL را مدیریت می کند و هر قطعه از داده ها را بررسی می کند تا اطمینان حاصل شود که دستورالعمل های HIPAA را برای شناسایی غیرقانونی رعایت می کند قبل از اینکه به آن اجازه خروج از محصور را بدهد.

استخراج دانش

این ماتریس مملو از اطلاعات ناشناس در مورد این گروه عظیم از بیماران است که می‌توان با روش‌های مختلف، مانند KESER، برای به دست آوردن بینش‌های جدید در مورد سلامت انسان، کاوش کرد. این تیم با استفاده از یک سری روش‌های آماری مدرن، داده‌های خلاصه را به بردار تبدیل کرد، مدلی را تنظیم کرد که ارتباط هر بردار را رمزگذاری می‌کند و مهم‌ترین ویژگی‌ها و وزن ویژگی‌ها را برای هر فنوتیپ استخراج کرد.

جورج می‌گوید: «این روش‌های آماری، که شامل مدل‌های گرافیکی گاوسی برای مدل‌سازی پراکنده ساختارهای کوواریانس می‌شود، به‌ویژه در انتساب اهمیتی که روابط علی بالقوه را نشان می‌دهد، توانایی دارند، مفهومی که فناوری کلاسیک هوش مصنوعی، مانند یادگیری عمیق، با آن مبارزه می‌کند.» Ostrouchov، محقق ارشد ORNL و آمارشناس ارشد پروژه MVP-CHAMPION.

پس از اجرای روش KESER، تیم هشت فنوتیپ از جمله افسردگی، آرتریت روماتوئید و کولیت اولسراتیو را برای بررسی انتخاب کردند. آنها با استفاده از ویژگی های انتخاب شده توسط KESER، مدل هایی را برای شناسایی فنوتیپ های مورد علاقه آموزش دادند.

تحقیقات آینده

امکاناتی که توسط توانایی جدید KESER برای ناشناس کردن، ادغام و تجزیه و تحلیل داده ها از چندین مؤسسه مراقبت های بهداشتی ایجاد شده است، نامحدود به نظر می رسد.

Tianxi Cai، استاد انفورماتیک بیومدیکال در دانشکده پزشکی هاروارد و محقق اصلی KESER، گفت: “ما هیجان زده هستیم که رویکردی بسیار مقیاس پذیر داریم که می تواند ماتریس هایی را با درجه بزرگی بزرگتر از آنچه اکنون با آن کار می کنیم، مدیریت کند.”

این تیم در حال حاضر توصیف های بالینی بیشتری را در نمودارهای دانش ترکیب می کند. علاوه بر این، این تیم شروع به کاوش در نمودارهای دانش برای درک بهتر بیماری های نوظهور کرده است.

چوان هونگ می‌گوید: «برای مثال، در شرایطی مانند کووید، که همه باید داده‌ها را به اشتراک بگذارند و ما باید بررسی همه چیزهای مختلف مرتبط با این بیماری خاص را شروع کنیم، شما به طور بالقوه می‌توانید این کار را با این سیستم انجام دهید.» استادیار دانشگاه دوک، که سال گذشته به عنوان مدرس در هاروارد تحقیق در مورد پروژه KESER را رهبری کرد. “این اساساً plug-and-play است؛ شما به انبار داده می روید، فرآیند چهار مرحله ای را دنبال می کنید و مستقیماً نتایج خود را ادغام می کنید.”

پتانسیل همکاری و کشف آینده ممکن است بزرگترین موفقیت پروژه باشد. این تیم در نوشت: “این نوآوری همکاری های چند مرکزی را تسهیل می کند.” طبیعت، “و زمینه را به وعده ایجاد شبکه های توزیع شده برای یادگیری در سراسر موسسات و در عین حال حفظ حریم خصوصی بیمار نزدیکتر کنید.”


ابزار جدید هوش مصنوعی ORNL فرآیند تطبیق بیماران سرطانی با آزمایشات بالینی را متحول می کند


اطلاعات بیشتر:
چوان هونگ و همکاران، استخراج دانش بالینی از طریق رگرسیون تعبیه‌شده پراکنده (KESER) با داده‌های پرونده الکترونیک سلامت در مقیاس بزرگ چند مرکزی، npj پزشکی دیجیتال (2021). DOI: 10.1038/s41746-021-00519-z

ارائه شده توسط آزمایشگاه ملی Oak Ridge

نقل قول: محققان روش جدیدی برای شناسایی روابط پیچیده پزشکی ایجاد کردند (2022، 28 آوریل) بازیابی شده در 28 آوریل 2022 از https://medicalxpress.com/news/2022-04-method-complex-medical-relationships.html

این برگه یا سند یا نوشته تحت پوشش قانون کپی رایت است. به غیر از هرگونه معامله منصفانه به منظور مطالعه یا تحقیق خصوصی، هیچ بخشی بدون اجازه کتبی قابل تکثیر نیست. محتوای مذکور فقط به هدف اطلاع رسانی ایجاد شده است.



[ad_2]