电子健康记录签名可以识别常见的可变免疫缺陷疾病未被诊断的患者
Ruth Johnson1,2, Alexis V Stephens3, Rachel Mester1
1Department of Computer Science, University of California Los Angeles, Los Angeles, CA 90095, USA.
Science translational medicine
|May 1, 2024
概括
一个新的机器学习算法,PheNet,可以通过分析电子健康记录,更早地识别患有常见变性免疫缺陷 (CVID) 的患者. 这种人工智能工具有助于诊断罕见的抗体缺陷,减少诊断延迟.
科学领域:
- 免疫学 免疫学 免疫学
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 常见的可变免疫缺陷 (CVID) 是一种罕见的 (1/25,000发病率) 免疫的先天性错误,其特点是由于B细胞受损而导致抗体缺乏.
- 由于罕见,异质的表型 (感染,自身免疫,炎症) 和与常见疾病重叠,患者经历5-15年的诊断延迟.
- 长期的诊断旅程导致了大量的医疗费用和延迟的治疗.
研究的目的:
- 开发和验证PheNet,一种机器学习算法,用于使用电子健康记录 (EHR) 识别CVID患者.
- 评估PheNet与当前的临床时间表相比,加速诊断CVID的能力.
- 为了证明AI在诊断罕见疾病中的临床实用性.
主要方法:
- PheNet 接受了来自 EHR 中经过验证的 CVID 病例的表型模式的培训.
- 该算法根据患者患有CVID的可能性对患者进行排名.
- 对来自不同医疗系统的600多万条记录进行了外部验证.
主要成果:
- 费尼特可以在1年多前诊断出该研究中超过一半的CVID患者.
- 从大型EHR数据集中对PhenNet排名前100名患者的盲目图表审查显示,74%的人很可能患有CVID.
- 跨多个医疗系统的外部验证证实了PheNet的有效性.
结论:
- PheNet显示出极大的潜力,可以加速诊断CVID,一种罕见的抗体缺乏症.
- 像PheNet这样的机器学习算法可以通过加快罕见疾病的识别来提供临床益处.
- 这种人工智能驱动的方法可以帮助减轻与延迟诊断相关的财务和临床负担.
更多相关视频
06:19Induction and Diverse Assessment Indicators of Experimental Autoimmune Encephalomyelitis
Published on: September 9, 2022
3.6K
14:14Simultaneous Quantification of T-Cell Receptor Excision Circles TRECs and K-Deleting Recombination Excision Circles KRECs by Real-time PCR
Published on: December 6, 2014
16.6K
