新型AI系统揭示电子病历中隐藏的诊断模式
快速阅读: 西奈山伊坎医学院开发的AI系统InfEHR，能从电子健康记录中揭示隐藏的诊断模式，提高新生儿败血症和术后肾损伤的预测准确性，支持个性化医疗决策。
尽管电子健康记录（EHRs）包含大量数据，目前的诊断工具仍难以识别不同时间点医疗事件之间的细微联系。现在，一种新的人工智能（AI）系统能够揭示这些记录中的隐藏诊断模式，将零散的数据转化为可操作的诊断见解。
位于纽约市的西奈山伊坎医学院的研究人员开发了名为InfEHR（电子健康记录推理）的AI系统，用于连接未关联的医疗事件，揭示先前未被发现的关系。与大多数应用统一诊断模型的AI系统不同，InfEHR通过构建来自医疗访问、实验室结果和治疗的个性化网络来定制其分析，形成患者特定的“诊断网络”。这一系统可以提出适应性问题，提供高度个性化的临床见解。
在一项发表于《自然通讯》的研究中，该系统利用去标识化的EHR数据成功检测出新生儿败血症，其准确率比现有方法高出16倍，并且预测术后肾损伤的效果提高了4到7倍。值得注意的是，它无需大型训练数据集即可实现这一点，表明其能直接从患者记录中学习并适应不同医院和人群。
除了诊断外，InfEHR还引入了一个关键的内置安全特性，即在数据不足时发出不确定性信号，确保在临床环境中的可靠性。开发人员计划通过整合临床试验数据扩展其用途，以提供个性化的治疗指导，帮助医生确定哪些研究结果最适用于个别患者。这种概率方法可以弥合受控研究环境与现实世界患者护理之间的差距，提高精准医疗的实施效果。
“传统AI会问，‘这个病人是否与其他患有同样疾病的人相似？’而InfEHR采取不同的方法：‘这个病人的独特医疗轨迹是否可能是由潜在的疾病过程引起的？’这是简单匹配模式与发现因果关系之间的区别。”首席作者贾斯汀·考夫曼（Justin Kauffman）表示，“临床试验通常针对特定人群，而医生需要照顾每一位患者。我们的概率方法有助于弥合这一差距，使医生更容易看到哪些研究结果真正适用于面前的患者。”
相关链接：
西奈山伊坎医学院
(以上内容均由Ai生成)
