NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Elektronik sağlık kayıtlarından (EHR'ler) hastalık alt tiplerini çıkarmak, yeni nesil kişiselleştirilmiş tıbbı yönlendirebilir. Bununla birlikte, hasta verilerinin özetlenmesi ve temsil edilmesindeki zorluklar, ölçeklenebilir EHR tabanlı tabakalama analizinin yaygın bir şekilde uygulanmasını önler. Burada, heterojen EHR'leri işlemek ve hasta tabakalaşmasını etkili ve etkili bir şekilde mümkün kılan hasta temsillerini türetmek için derin öğrenmeye dayanan denetimsiz bir çerçeve sunuyoruz. Toplam 57.464 klinik kavramdan oluşan çeşitli bir hastane kohortundan 1.608.741 hasta EHR'leri dikkate aldık. Hasta yörüngelerini düşük boyutlu gizli vektörlere dönüştürmek için kelime gömme, evrişimsel sinir ağları ve otoenkodlayıcılara (yani ConvAE) dayanan bir temsil öğrenme modelini tanıtıyoruz. Bu temsilleri, farklı çok hastalıklı ve hastalığa özgü hasta kohortlarına hiyerarşik kümeleme uygulayarak geniş ölçüde hasta tabakalaşmasını mümkün kılan olarak değerlendirdik. ConvAE, 2.61 entropi ve 0.31 saflık ortalama puanları ile farklı karmaşık koşullara sahip hastaları tanımlamak için bir kümeleme görevinde birkaç temel çizgiden önemli ölçüde daha iyi performans gösterdi. Belirli bir durum içinde hastaları katmanlaştırmak için uygulandığında, ConvAE, tip 2 diyabet, Parkinson hastalığı ve Alzheimer hastalığı dahil olmak üzere farklı bozukluklar için klinik olarak ilgili çeşitli alt tiplere yol açtı, büyük ölçüde komorbiditeler, hastalık ilerlemesi ve semptom şiddeti ile ilgili. Bu sonuçlarla, ConvAE'nin klinik olarak anlamlı içgörülere yol açan hasta temsilleri üretebileceğini gösteriyoruz. Bu ölçeklenebilir çerçeve, heterojen alt popülasyonlarda değişen etiyolojileri daha iyi anlamanıza ve kişiselleştirilmiş tıp alanında EHR tabanlı araştırmalar için kalıpların kilidini açmanıza yardımcı olabilir.
Özgün kaynak özetini okuyun
Deriving disease subtypes from electronic health records (EHRs) can guide next-generation personalized medicine. However, challenges in summarizing and representing patient data prevent widespread practice of scalable EHR-based stratification analysis. Here we present an unsupervised framework based on deep learning to process heterogeneous EHRs and derive patient representations that can efficiently and effectively enable patient stratification at scale. We considered EHRs of 1,608,741 patients from a diverse hospital cohort comprising a total of 57,464 clinical concepts. We introduce a representation learning model based on word embeddings, convolutional neural networks, and autoencoders (i.e., ConvAE) to transform patient trajectories into low-dimensional latent vectors. We evaluated these representations as broadly enabling patient stratification by applying hierarchical clustering to different multi-disease and disease-specific patient cohorts. ConvAE significantly outperformed several baselines in a clustering task to identify patients with different complex conditions, with 2.61 entropy and 0.31 purity average scores. When applied to stratify patients within a certain condition, ConvAE led to various clinically relevant subtypes for different disorders, including type 2 diabetes, Parkinson's disease, and Alzheimer's disease, largely related to comorbidities, disease progression, and symptom severity. With these results, we demonstrate that ConvAE can generate patient representations that lead to clinically meaningful insights. This scalable framework can help better understand varying etiologies in heterogeneous sub-populations and unlock patterns for EHR-based research in the realm of personalized medicine.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.