教学计算机阅读健康记录正在帮助COVID-19
医疗记录是丰富的健康数据来源。组合时，它们包含的信息可以帮助研究人员更好地了解疾病并更有效地对待它们。这包括covid-19。但要解锁这种丰富的资源，研究人员首先需要阅读它。
我们可能已从手写医疗票据的日子开始，但在现代电子健康记录中记录的信息可能是难以访问和解释的。这是一个古老的笑话，医生的手写是难以辨认的，但事实证明他们的打字并不多得多。
健康记录中包含的纯粹信息令人惊叹。每天，典型的NHS医院的医疗保健人员都会产生如此多的文本，这将需要一个人类的年龄只是滚动它，更不用说阅读它。使用计算机分析所有这些数据是一个明显的解决方案，但远远良好。对人类的完美意义对计算机来说非常难以理解。
我们的队伍正在使用形式的人工智能来弥合这种差距。通过教授如何理解人类医生的笔记，我们希望他们能够通过在数千名患者的记录中寻找模式来揭示关于如何对抗Covid-19的洞察力。
为什么健康记录很难
一部分健康比例记录由自由文本组成，以叙述形式键入，如电子邮件。这包括患者的症状，他们的疾病史，以及他们服用预先存在的病症和药物的疾病。也可能有相关信息关于家庭成员和生活方式也混合在一起。因为这篇文章已被繁忙的医生输入，所以还将有缩写，不准确和错字。
这种信息被称为非结构化数据。例如，患者的记录可能会说：“史密斯夫人是一名65岁的女性，有一个心房颤动的女性，3月份有一个CVA。她有一个#nof和OA的过去的历史。乳腺癌的家族史。她有一定规定的紫杉角。没有出血的历史。“
这种高度紧凑的段落包含关于史密斯夫人的大量数据。另一个人阅读笔记会知道信息很重要，并且能够以秒为单位提取它，但计算机会发现这项任务非常困难。
教学机器阅读
要解决这个问题，我们正在使用叫做的东西自然语言处理（NLP）。基于机器学习和AI技术，NLP算法将自由文本中使用的语言转化为可由计算机分析的标准化，结构化的医疗术语。
这些算法非常复杂。他们需要了解语境，长串的单词和医学概念，区分当前的历史事件，识别家庭关系等等。我们教导他们通过喂养现有的书面信息来完成此操作，以便他们可以了解语言的结构和含义 - 在这种情况下，从互联网上公开提供英文文本 - 然后使用真实的医疗记录以进一步改进和测试。
使用NLP算法来分析和提取来自健康记录的数据具有巨大的改变医疗保健的潜力。通常再也没有见过患者笔记中的叙述文本中的大部分内容。这可能是重要信息，例如癌症或中风等严重疾病的预警迹象。能够自动分析和标志重要的问题可以帮助提供更好的照顾并避免延迟诊断和治疗。
寻找战斗Covid-19的方法
通过使用这些工具绘制健康记录，我们现在正在使用这些技术来了解与大流行相关的模式。例如，我们最近利用我们的工具来了解常常是否规定的药物高血压，糖尿病和其他条件 - 称为血管紧张素转换酶抑制剂（Aceis）和血管紧张素受体阻滞剂（ARBS）- 增加与Covid-19变得严重生病的机会。
通过与称为ACE2上的细胞表面上的分子结合，使Covid-19引起细胞的病毒。Aceis和Arbs都被认为是增加ACE2的数量在细胞的表面上，导致这些药物可以将人们提高病毒的风险。
但是，回答这个问题所需的信息 - 有多少严重的Covid-19患者被规定这些药物 - 可以作为结构性处方和他们的自由文本记录病历。免费文本需要采用计算机可搜索的格式，以便机器回答问题。
使用我们的NLP工具，我们能够分析1,200名Covid-19患者的匿名记录，比较患者是否服用这些药物的临床结果。放心地，我们发现人们规定了Aceis或ARB是不可能严重不如那些不服用药物的人。
我们现在正在扩展我们如何使用这些工具，了解更多来自Covid-19的谁的风险。例如，我们用它们调查链接在种族之间，预先存在的健康状况和Covid-19之间。这揭示了几个引人注目的事情：黑色或混合种族使您更有可能被疾病入院，并且在医院时，亚洲患者的风险更大，无法进入Covid的重症监护或死亡-19。
我们还使用这些工具来评估早期预警得分预测入院医院的患者最有可能变得严重，并表明可以使用额外措施来改善这些分数。我们也使用该技术预测即将到来的潮水Covid-19例，基于医生录制的患者的症状。
进一步探索
用户评论