Fusión multimodal de los registros electrónicos de salud (EHR) de los cuidados de rutina: una revisión de alcance

Área de la Ciencia:

• Inteligencia artificial en el cuidado de la salud
• Informática de la salud
• Sistemas de apoyo a la toma de decisiones clínicas

Sus antecedentes:

• Los registros electrónicos de salud (EHR) se utilizan ampliamente en la atención médica, recopilando diversos datos de pacientes, incluidos datos demográficos, diagnósticos, medicamentos, notas, signos vitales y resultados de laboratorio.
• Estos datos EHR multimodales poseen una rica información semántica, conceptual y temporal, que ofrece potencial para el apoyo a la decisión clínica avanzada.
• Las técnicas de aprendizaje generativo recientes han demostrado ser prometedoras para fusionar estos elementos de datos heterogéneos del DSE para mejorar la toma de decisiones en el cuidado de la salud.

Objetivo del estudio:

• Realizar una revisión del alcance de las técnicas de fusión de los datos del DSE de atención de rutina multimodal.
• Para sintetizar las variaciones en las arquitecturas de fusión, los elementos de datos de entrada y las áreas de aplicación.
• Identificar las lagunas en la investigación y promover la reutilización de las técnicas de fusión para obtener nuevos resultados clínicos.

Principales métodos:

• Se realizó una búsqueda exhaustiva de literatura en Google Scholar para arquitecturas de fusión de alto impacto utilizando datos de EHR de atención de rutina multimodal de 2018-2023.
• La revisión siguió las directrices de extensión de PRISMA para las revisiones de alcance.
• Los resultados fueron analizados temáticamente y comparativamente.

Principales resultados:

• Se observó una falta de definiciones estandarizadas para los elementos de datos de EHR utilizados como modalidades de entrada, que a menudo descuidan la fuente de datos, la codificación y el nivel de concepto.
• Se propone una clasificación revisada para las arquitecturas de fusión, distinguiendo la fusión del aprendizaje y la contabilidad del aprendizaje concurrente en las capas de codificación, representación y decisión.
• Los modelos de codificación previamente entrenados actuales presentan inconsistencias en el manejo de la información temporal y semántica, lo que limita su reutilización.

Conclusiones:

• Las arquitecturas de fusión de EHR actuales se basan predominantemente en un enfoque de diseño por ejemplo.
• Se necesitan directrices para diseñar modelos multimodales eficientes para diversas aplicaciones sanitarias.
• Las directrices deben hacer hincapié en las mejores prácticas para la combinación de modalidades, el aprendizaje por transferencia, el aprendizaje conjunto y la codificación semántica/temporal para promover la reutilización.