ישנם מחקרים מועטים אשר פיתחו מערכות אוטומטיות הנסמכות על נתוני טקסט של רשומות רפואיות אלקטרוניות, לשם זיהוי מצוקה חברתית, כאב רוחני ותסמינים פיזיים ופסיכולוגיים חמורים.
עוד בעניין דומה
במחקר רטרוספקטיבי אשר ממצאיו פורסמו לאחרונה בכתב העת Palliative Medicine ביקשו החוקרים לפתח מודלים לאיתור מצוקה חברתית, כאב רוחני ותסמינים פיזיים ופסיכולוגיים חמורים, וזאת בקרב חולי סרטן סופניים. המודלים פותחו על סמך נתוני טקסט לא מובנה הכלולים ברשומות רפואיות אלקטרוניות.
מחקר רטרוספקטיבי זה כלל 1,554,736 רשומות קליניות נרטיביות, אשר נותחו חודש אחד לפני פטירת החולים. מודלים מפוקחים של למידת מכונה הוכשרו לזהות סימפטומים כלליים, והביצועים של המודלים נבדקו באמצעות השטח שמתחת לעקומת המאפיין (receiver operating characteristic curve - AUROC) והשטח תחת עקומת זיכרון הדיוק (precision recall curve - AUPRC).
808 חולים נכללו במחקר זה. בחולים אלו, נעשה שימוש ברשומות שהתקבלו מבית חולים אוניברסיטאי ביפן. המידע נאסף בין ה-1 בינואר 2018 ל-31 בדצמבר 2019. כנתוני אימון, השתמשו החוקרים ברשומות רפואיות אשר סומנו לזיהוי מצוקה חברתית (n=10,000) וכאב רוחני (n=10,000). נוסף לכך, נעשה שימוש ברשומות שניתן להתאים לפי שאלון Support Team Assessment Schedule (בהתבסס על תאריך) לאיתור תסמינים פיזיים/ פסיכולוגיים חמורים (n=5,409).
תוצאות מחקר זה הדגימו כי למודלים של למידת מכונה לזיהוי מצוקה חברתית היו ערכי AUROC ו-AUPRC של 0.98 ו-0.61, בהתאמה. ערכי כאב רוחני עמדו על 0.90 ו-0.58, בהתאמה. מודלים של למידת מכונה זיהו במדויק תסמינים חמורים (כאב, קוצר נשימה, בחילה, נדודי שינה וחרדה) עם רמה גבוהה של הבדלה (AUROC > 0.8).
מתוצאות מחקר זה עולה כי למודלים של למידת מכונה ישנה היכולת לזהות מצוקה חברתית, כאב רוחני ותסמינים חמורים בחולים סופניים עם סרטן, וזאת בהסתמך על נתוני טקסט הכלולים ברשומות רפואיות אלקטרוניות.
מקור:
הירשמו לקבלת עדכונים בנושאים שעלו בכתבה
