基于人工智能的医疗决策支持:探索数据差距

科学领域:

• 生物医学工程 生物医学工程
• 临床信息学 临床信息学
• 人工智能在医学中的应用

背景情况:

• 临床决策依赖于良好的判断力,人工智能 (AI) 越来越多地增加了这种判断力.
• 目前人工智能对患者护理的影响因电子病历 (EMR) 数据质量,结构和完整性的局限性而有限.
• 电子药物记录是为计费而设计的,导致临床信息碎片化,不一致或缺失,阻碍了AI的有效性.

研究的目的:

• 突出目前AI在医疗保健中的数据来源的局限性.
• 提出改善人工智能驱动的临床决策支持的途径.
• 强调需要加强医学数据采集策略的必要性.

主要方法:

• 对医疗保健当前人工智能局限性的分析,重点关注EMR中的数据质量问题.
• 探索自然语言处理 (NLP) 和用于数据提取的大型语言模型 (LLM).
• 与其他行业的数据集成策略进行比较,例如自动驾驶汽车.
• 识别新兴的多式联网可穿戴技术作为解决方案.

主要成果:

• 算法能力的限制不如可用数据的质量和结构.
• NLP和LLM改进了数据提取,但受到数据质量和隐私问题的限制.
• 在获取定量生理数据方面存在关键差距,特别是对于肌肉骨系统.
• 其他行业成功地使用连续的多式联络传感器数据进行实时决策.

结论:

• 在人工智能支持的医疗保健方面取得有意义的进展需要在数据采集方面进行转型.
• 从可穿戴技术中整合连续的多模式传感器数据可以提供更丰富的生理数据集.
• 这种数据转换对于实现更准确,更持续,更临床相关的AI驱动决策支持至关重要.