医疗保健不仅仅是看医生，而是一个团队的努力。但大多数基于患者数据构建的人工智能驱动技术仅使用医生提供的信息，忽略了护士和康复治疗师的关键输入。
伊利诺伊大学芝加哥分校共同领导的一个创新的跨学科项目将利用人工智能统一来自更广泛的医疗专业的数据，并创建新颖、全面的数据集，这可能会改变医疗保健，推动能积极影响患者结果和护理的发现。
该合作与爱荷华大学、密苏里大学和洛约拉大学以及技术合作伙伴微软和 Tackle AI 一起，从联邦卫生高级研究项目局（ARPA-H）获得了高达 1000 万美元的资金。该奖项是 UIC 获得的第一笔 ARPA-H 资金，UIC 将作为签约机构。
研究人员将创造新的方法，将护士、物理治疗师、职业治疗师、言语和语言病理学家以及医生的结构化数据和自由文本笔记结合起来，以便在电子健康记录中更有效地使用。这些笔记通常提供有关患者进展的额外有价值的信息，特别是当他们的护理在医院或诊所之外进行时。
该项目将专注于两个复杂的患者群体：因跌倒受伤的患者和从新生儿重症监护病房过渡回家的婴儿。这两个群体都依赖于各种医疗专业人员提供的护理。
“医疗保健是一个跨学科的过程，但现有的数据工具和基础设施忽略了团队的大部分。其他专业人员更频繁地看到患者，并提供非常高保真的数据，更接近患者的现实，而不仅仅是您从医生记录的数据中获得的简要快照。”UIC 的生物医学和健康信息科学教授安德鲁·博伊德（Andrew Boyd）说道，他是该项目的主要研究者之一。
研究人员将在新的数据集上使用先进的计算方法来创建全团队护理总结和强大的新人工智能应用程序。他们还将使用这些数据进行新的科学发现，以改善患者的护理和治疗。
密苏里大学医学院的主要研究者和生物医学信息学家凯瑟琳·K·克雷文（Catherine K. Craven）说：“跌倒和 NICU 患者在医院和通过门诊诊所都需要全团队护理。但是碎片化、孤立的文件阻碍了沟通。通过统一这些数据，我们可以改善医疗保健提供者、患者及其护理伙伴之间的沟通，并产生新的科学见解，改善患者的结果。”
爱荷华大学的主要研究者和护理教授凯伦·邓恩·洛佩兹（Karen Dunn Lopez）说，这些进展除了跌倒和 NICU 过渡之外，还可以应用于其他护理领域。
“当您解决复杂的难题时，您获得的见解和开发的解决方案可能适用于不太复杂的问题，”洛佩兹说。“我们团队的工作将帮助我们了解如何指导以患者为中心的关于多学科团队提供的护理协同作用的决策。”
更深入的数据处理复杂病例
人工智能在医疗保健方面的许多潜力在于其从电子健康记录数据中自动提取见解的能力。一种算法可能根据症状或实验室结果建议诊断，或将患者与对其病例最有效的特定治疗相匹配。
更多的数据可以带来更好的人工智能指导。研究表明，在患者数据中包括护士的观察结果，在诸如医院死亡风险等措施的预测上，比仅使用医生的笔记和实验室结果更准确。
多学科数据的价值在管理成人跌倒伤害方面尤为明显，这是医疗保健中一个令人惊讶的复杂领域。跌倒是难以预防的，并且可能导致老年人的多种负面健康结果。
跌倒风险的首要预测因素是以前跌倒的次数，但患者可能不会告诉医生他们所有的跌倒情况。来自急诊室就诊或门诊治疗的跌倒报告可能在患者健康记录的大量信息中被忽视。
物理和职业治疗师还收集与跌倒风险相关的详细信息，例如力量和平衡评估。由于这些报告通常是主观的和基于文本的，因此很难与医生的笔记或诸如测试结果之类的数字数据相结合。
UIC 的物理治疗和康复科学教授 Tanvi Bhatt 说：“数据是黄金，但在它可以被使用之前，它是没有意义的。与实验室测量相比，我们拥有的基于文本的笔记更具叙述性和描述性。但是如果该文本丢失，则护理没有连续性。”
统一这些数据与其他来源可以帮助临床医生确定患者跌倒的原因，并将他们与最合适的干预措施联系起来，以防止未来受伤。Bhatt 说，这也可以帮助研究人员设计和测试新的跌倒风险预测模型，并以清晰的语言与患者分享这些见解。
UIC 的职业治疗和康复科学教授 Mary Khetani 说，纳入这些数据还将帮助患者参与医疗保健决策。物理和职业治疗师所做的叙述性笔记通常直接来自对患者及其家人的访谈。组织数据与患者及其护理人员分享可以帮助他们在医院外导航多种医疗保健服务时感到更知情和参与。
“我们知道最佳实践是以患者和家庭的专业知识为中心进行决策，以推动最佳结果并获得他们的支持和依从性，”Khetani 说。“但如果我们用过多的信息使他们负担过重，我们就无法做到这一点。”
人工智能作为医疗保健的解释者
该项目的计算机科学家将使用和开发先进的文本挖掘和语言处理工具，以克服阻止其他学科数据整合的语言和技术障碍。研究将测试是否可以训练大型语言模型来帮助理解和连接跨专业的文本数据。
UIC 的计算机科学副教授 Natalie Parde 说：“医疗数据在许多方面都是独特的，其中之一是它往往包括在更流行的在线资源中不常见的行话和其他术语。当应用于医疗保健数据时，语言处理工具往往效果不佳。本项目中的一个核心技术挑战是使这些工具和技术达到我们可以在医疗保健环境中可靠使用的程度。”
一旦整合，来自护士、康复治疗师和其他医疗专业人员的数据可以帮助训练更详细的模型来预测健康风险或治疗效果。人工智能工具还可以生成大量文本和数据的简明摘要。
例如，初级保健提供者可能会根据患者每周的物理和言语治疗访问获得摘要。或者早产儿的父母可以收到 NICU 中提供的护理和康复治疗的摘要，以帮助他们过渡到诊所或像家这样的自然环境中的后续护理。
UIC 的 Warren S. McCulloch 计算机科学教授 Barbara Di Eugenio 说：“这不仅仅是翻译成通俗语言的问题，而是真正理解向患者或其提供者呈现什么重要的问题。”
通过使用去识别化数据的黑客马拉松和其他活动，该团队还将邀请数据科学家和软件开发人员创建其他临床和研究应用程序。该项目开发的所有工具都将是开源的，并根据健康领域专家的输入和反馈构建。
这种合作突显了 UIC 的优势：代表广泛医疗保健学科的七个健康科学学院以及在机器学习、自然语言处理和数据科学方面具有深厚研究专长的计算机科学系。
该项目的其他 UIC 团队成员包括应用健康科学学院的 Samantha Bond、工程学院的 Miiri Kotche 和医学院的 David Chestek。
博伊德说：“UIC 是一个很棒的地方，我们拥有这种技能的多样性，每个人都相互了解并一起工作。所以当这些绝佳的机会出现时，我们可以把每个人都聚集在一起，包括我们的合作机构，并尝试改变我们看待医疗保健数据的方式。”
来源：伊利诺伊大学芝加哥分校
