Yuan Luo, PhD, Professor für Präventivmedizin, Direktor des Center for Collaborative AI in Healthcare und Chief AI Officer am Northwestern University Clinical and Translational Sciences (NUCATS) Institute und am Institute for Artificial Intelligence in Medicine, war der leitende Autor der Studie, die in NEJM AI veröffentlicht wurde.
Ein von den Ermittlern der Northwestern Medicine entwickeltes KI-Modell verbesserte die Umwandlung von EHR-Daten in standardisierte Gesundheitsressourcen effizienter als aktuelle Methoden, so eine kürzlich in der Zeitschrift NEJM AI veröffentlichte Studie.
Das Modell FHIR-GPT nutzt die Leistung großer Sprachmodelle, um klinische Daten in Fast Healthcare Interoperability Resources (FHIR) Ressourcen umzuwandeln, und ist ein Schritt zur Förderung der Interoperabilität von Gesundheitsdaten, Forschung, Unterstützung klinischer Studien und öffentlicher Gesundheitsüberwachung, so Yuan Luo, PhD, Professor für Präventivmedizin in der Abteilung für Gesundheits- und Biomedizinische Informatik und leitender Autor der Studie.
Die Gesundheitsdaten-Interoperabilität ist nicht nur zur Verbesserung der Patientenversorgung, sondern auch zur Erreichung von Gesundheitsgerechtigkeit und zur Reaktion auf öffentliche Gesundheitsnotfälle von entscheidender Bedeutung, so die Autoren.
Um diesen essentiellen Datenaustausch zu beschleunigen, haben US-Bundesbehörden wie das Büro des Nationalen Koordinators für Gesundheitsinformationstechnologie, die Zentren für Krankheitskontrolle und -prävention und die Zentren für Medicaid & Medicare Services die Akzeptanz des Standards für den schnellen Austausch von Gesundheitsdaten (FHIR) gefördert.
Yikuan Li, MS, ein Student im Health Sciences Integrated PhD Program im fünften Jahr, war der Hauptautor der Studie.
Zu Beginn 2011 von der internationalen Normungsorganisation Health Level 7 entwickelt, ist FHIR ein Standard zum Austausch elektronischer Gesundheitsakten (EHRs) zwischen Gesundheitsorganisationen, einschließlich akademischer medizinischer Zentren und kommerzieller Industrien, um einen effizienten Austausch klinischer und administrativer Informationen unabhängig von der Speicherung zu gewährleisten.
FHIR unterstützt auch verschiedene Gesundheitsforschungsanwendungen, einschließlich phänotypischer Berechnung, Unterstützung klinischer Studien und Entwicklung von Überwachungssystemen.
In der aktuellen Studie entwickelte das Team von Luo ein FHIR-trainiertes großes Sprachmodell, das EHR-Daten in FHIR-Medikamentenaussagen umwandelt und die Leistung ihres Modells mit aktuellen state-of-the-art-Systemen verglich.
FHIR-GPT passte EHR-Daten perfekt in FHIR-Medikamentenaussagen mit einer Erfolgsquote von 90 Prozent an, übertreffend die Leistung vorhandener Tools.
Das System ist nicht nur genauer als andere Systeme, sondern auch kosteneffizienter zu entwickeln und skalierbarer, so die Autoren.
Das Ziel des Teams ist es, das System weiter zu validieren und schließlich in bestehenden Gesundheitssystemen in den USA einzusetzen, um die Aggregation von Gesundheitsdaten aus verschiedenen Patientenpopulationen voranzutreiben und die Patientenversorgung und Gesundheitsgerechtigkeit zu verbessern.