Los investigadores de ORNL, VA y Harvard desarrollaron una matriz dispersa llena de informaci\u00f3n an\u00f3nima sobre lo que se cree que es la cohorte m\u00e1s grande de datos de atenci\u00f3n m\u00e9dica utilizados para este tipo de investigaci\u00f3n en los EE. UU. La matriz puede probarse con diferentes m\u00e9todos, como KESER, para obtener nuevos conocimientos sobre la salud humana. Cr\u00e9dito: Nathan Armistead\/ORNL, Departamento de Energ\u00eda de EE. UU. <\/p>\n
Un equipo de investigadores del Departamento de Asuntos de Veteranos, el Laboratorio Nacional de Oak Ridge, la Escuela de Salud P\u00fablica TH Chan de Harvard, la Escuela de Medicina de Harvard y el Hospital Brigham and Women’s ha desarrollado un T\u00e9cnica novedosa basada en aprendizaje autom\u00e1tico para explorar e identificar relaciones entre conceptos m\u00e9dicos utilizando datos de registros de salud electr\u00f3nicos en m\u00faltiples proveedores de atenci\u00f3n m\u00e9dica. <\/p>\n
El m\u00e9todo, llamado Knowledge Extraction via Sparse Embedding Regression, o KESER, se public\u00f3 recientemente en npj Digital Medicine. El proceso integra datos de registros m\u00e9dicos electr\u00f3nicos de dos grandes instituciones, VA y Partners Health Care, con sede en Boston, y proporciona una selecci\u00f3n de caracter\u00edsticas automatizada que conduce a algoritmos de identificaci\u00f3n de fenotipos y descubrimiento de conocimientos.<\/p>\n
\u00abKESER proporciona una vista de alto nivel del relaciones entre el conocimiento cl\u00ednico que no siempre podemos ver cuando atendemos a pacientes a nivel individual o grupal\u00bb, dijo la Dra. Katherine Liao, investigadora principal de KESER en VA Boston y profesora asociada de medicina en la Escuela de Medicina de Harvard. \u00abEsperamos traducir los m\u00e9todos y resultados del estudio de las aplicaciones en la investigaci\u00f3n cl\u00ednica a los avances en la atenci\u00f3n cl\u00ednica\u00bb.<\/p>\n
El proyecto es parte del trabajo principal de fen\u00f3mica dirigido por los Dres. Kelly Cho y Mike Gaziano de VA Boston y Harvard bajo el programa Million Veteran Program, o MVP, de VA, un \u00abprograma de investigaci\u00f3n nacional para aprender c\u00f3mo los genes, el estilo de vida y las exposiciones militares afectan la salud y la enfermedad\u00bb, seg\u00fan la Oficina de Investigaci\u00f3n y Desarrollo de VA. Sitio web de MVP.<\/p>\n
En 2016, ORNL comenz\u00f3 a colaborar con VA en MVP-CHAMPION, una iniciativa de big data en el marco del programa MVP, para crear una gran plataforma de medicina de precisi\u00f3n para albergar el vasto historial m\u00e9dico de VA conjunto de datos, que consta de registros de unos 24 millones de veteranos. En un esfuerzo por fortalecer la innovaci\u00f3n transversal en apoyo de numerosos proyectos de investigaci\u00f3n bajo este programa conjunto VA-DOE, ORNL trabaj\u00f3 en estrecha colaboraci\u00f3n con MVP Data Core de VA Boston y Harvard para identificar \u00e1reas de investigaci\u00f3n espec\u00edficas a seguir. Entre ellos se encontraba un esfuerzo por responder a la pregunta: \u00bfQu\u00e9 elementos necesitamos encontrar dentro de los registros de salud electr\u00f3nicos para identificar correctamente un fenotipo determinado?<\/p>\n
Trabajar con lo que creen que es la cohorte m\u00e1s grande de datos de atenci\u00f3n m\u00e9dica utilizados para este tipo de investigaci\u00f3n en los EE. UU., el equipo se dispuso a automatizar la identificaci\u00f3n de relaciones fenot\u00edpicas y, al mismo tiempo, brindar visibilidad a los supuestos subyacentes del aprendizaje autom\u00e1tico y los procesos de decisi\u00f3n.<\/p>\n
Para hacerlo, dise\u00f1aron y construyeron los cuatro paso Metodolog\u00eda KESER: conversi\u00f3n de datos a un formato estructurado, construcci\u00f3n de una representaci\u00f3n vectorial de baja dimensi\u00f3n de cada c\u00f3digo m\u00e9dico, selecci\u00f3n de caracter\u00edsticas para atribuir importancia y mapeo de relaciones atribuidas como una red.<\/p>\n
Procesamiento de datos y aprendizaje de representaci\u00f3n<\/p>\n
ORNL desempe\u00f1\u00f3 un papel clave en el tedioso pero esencial trabajo de procesamiento y estructuraci\u00f3n de una variedad de datos m\u00e9dicos, procedimientos, diagn\u00f3sticos y mediciones de pacientes, as\u00ed como notas m\u00e9dicas, recetas i informaci\u00f3n y m\u00e1s de millones de pacientes en todo el VA y el cuidado de la salud de Partners.<\/p>\n
\u00abHay una gran cantidad de procesamiento de datos no estructurados que se lleva a cabo antes de que termine con una pieza de informaci\u00f3n estructurada que se puede poner en m\u00e9todos estad\u00edsticos \u201d, dijo Edmon Begoli, jefe de la secci\u00f3n de sistemas de IA de ORNL e investigador principal del proyecto MVP-CHAMPION. \u00abEl equipo pas\u00f3 a\u00f1os trabajando con los datos para llevarlos a un estado en el que pudi\u00e9ramos comenzar a usarlos para la investigaci\u00f3n\u00bb.<\/p>\n
Con los datos procesados, el equipo construy\u00f3 una matriz de co-ocurrencia, que consta de m\u00e1s de 100.000 tipos de eventos, o c\u00f3digos de atenci\u00f3n m\u00e9dica, b\u00e1sicamente una tabla de datos masiva, pero escasa, con una fila y una columna para cada c\u00f3digo de atenci\u00f3n m\u00e9dica posible. Cada co-ocurrencia en el tiempo entre dos eventos ayuda a crear una imagen m\u00e1s clara y detallada de un fenotipo dado. <\/p>\n
Aprovechando la infraestructura de big data de ORNL y la experiencia en computaci\u00f3n cient\u00edfica, esencial cuando se trabaja en esta escala de datos, el equipo trabaj\u00f3 para automatizar el preprocesamiento de datos y poner el proceso a disposici\u00f3n del p\u00fablico.<\/p>\n
\u00abUn investigador o la instituci\u00f3n puede descargar el c\u00f3digo, almacenar sus datos en el formato correcto y nuestro proceso realizar\u00e1 todos los pasos necesarios para integrar sus datos con los de todos los dem\u00e1s\u00bb, dijo Everett Rush, cient\u00edfico investigador de ORNL e ingeniero de datos l\u00edder en el proyecto.<\/p>\n
El equipo de investigaci\u00f3n se ha esforzado mucho en proteger la privacidad de los pacientes durante todo el proyecto. El equipo proces\u00f3 todos los datos de VA dentro de la infraestructura segura de datos de salud protegidos de ORNL. Despu\u00e9s de convertirlo en un nivel de resumen an\u00f3nimo, lo compartieron con Harvard y otros colaboradores. La matriz KESER resultante no conserva v\u00ednculos con pacientes individuales.<\/p>\n
\u00abNo hay forma de rastrear desde los resultados finales hasta un paciente individual porque estos son agregados\u00bb, dijo Dallas Sacca, ingeniero senior de soluciones de ORNL. Sacca administra el enclave de datos de salud protegidos en ORNL y revisa cada dato para garantizar que cumpla con las pautas de HIPAA para la desidentificaci\u00f3n antes de permitir que abandone el enclave.<\/p>\n
Extracci\u00f3n de conocimiento<\/p>\n
La matriz est\u00e1 llena de informaci\u00f3n an\u00f3nima sobre esta inmensa cohorte de pacientes que se pueden probar con diferentes m\u00e9todos, como KESER, para obtener nuevos conocimientos sobre la salud humana. Utilizando una serie de m\u00e9todos estad\u00edsticos modernos, el equipo transform\u00f3 datos resumidos en vectores, ajust\u00f3 un modelo que codifica la relaci\u00f3n de cada vector y extrajo las caracter\u00edsticas m\u00e1s importantes y los pesos de caracter\u00edsticas para cada fenotipo.<\/p>\n
\u00abEstos m\u00e9todos estad\u00edsticos , que incluyen modelos gr\u00e1ficos gaussianos para el modelado disperso de estructuras de covarianza, son particularmente capaces de atribuir importancia que expone posibles relaciones causales, un concepto con el que la tecnolog\u00eda de IA cl\u00e1sica, como el aprendizaje profundo, tiende a tener problemas\u00bb, dijo George Ostrouchov, director senior de ORNL cient\u00edfico investigador y estad\u00edstico l\u00edder en el proyecto MVP-CHAMPION.<\/p>\n
Despu\u00e9s de ejecutar el m\u00e9todo KESER, el equipo seleccion\u00f3 ocho fenotipos que incluyen depresi\u00f3n, artritis reumatoide y colitis ulcerosa para explorar. Usando las caracter\u00edsticas seleccionadas por KESER, entrenaron modelos para identificar los fenotipos de inter\u00e9s.<\/p>\n
Futura investigaci\u00f3n<\/p>\n
Las posibilidades habilitadas por la novedosa capacidad de KESER para anonimizar, integrar y analizar datos de m\u00faltiples las instituciones de atenci\u00f3n parecen ilimitadas. <\/p>\n
Tianxi Cai, profesor de Inform\u00e1tica Biom\u00e9dica en la Escuela de Medicina de Harvard e investigador principal de KESER, dijo: \u00abEstamos entusiasmados de tener un enfoque altamente escalable que puede manejar matrices de un orden de magnitud m\u00e1s grande que lo que estamos trabajando ahora\u00bb.<\/p>\n
El equipo ya est\u00e1 incorporando m\u00e1s descriptores cl\u00ednicos en los gr\u00e1ficos de conocimiento. Adem\u00e1s, el equipo ha comenzado a explorar los gr\u00e1ficos de conocimiento para comprender mejor las enfermedades emergentes.<\/p>\n
\u00abEn una situaci\u00f3n como la del COVID, por ejemplo, donde todos necesitan compartir datos y debemos comenzar a investigar todas las cosas diferentes que est\u00e1n relacionados con esta enfermedad espec\u00edfica, potencialmente podr\u00eda hacerlo con este sistema\u00bb, dijo Chuan Hong, profesor asistente en la Universidad de Duke, quien dirigi\u00f3 la investigaci\u00f3n sobre el proyecto KESER como instructor en Harvard el a\u00f1o pasado. \u00abB\u00e1sicamente es plug-and-play; usted va al almac\u00e9n de datos, sigue el proceso de cuatro pasos e integra directamente sus resultados\u00bb.<\/p>\n
El potencial para futuras colaboraciones y descubrimientos puede ser el mayor \u00e9xito del proyecto. \u00abEsta innovaci\u00f3n facilitar\u00e1 las colaboraciones multic\u00e9ntricas\u00bb, escribi\u00f3 el equipo en Nature, \u00aby acercar\u00e1 el campo a la promesa de crear redes distribuidas para el aprendizaje entre instituciones mientras se mantiene la privacidad del paciente\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
La nueva herramienta de IA ORNL revoluciona el proceso para emparejar pacientes con c\u00e1ncer con ensayos cl\u00ednicos M\u00e1s informaci\u00f3n:<\/strong> Chuan Hong et al, Clinical Knowledge Extraction via Sparse Embedding Regression (KESER) con centro de datos de registros de salud electr\u00f3nicos a gran escala, npj Digital Medicine (2021). DOI: 10.1038\/s41746-021-00519-z Informaci\u00f3n de la revista:<\/strong> Nature <\/p>\n Proporcionado por el Laboratorio Nacional de Oak Ridge Cita<\/strong>: Los investigadores desarrollan un m\u00e9todo novedoso para identificar relaciones m\u00e9dicas complejas (2022, 28 de abril) recuperado el 29 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2022-04-method-complex-medical-relationships.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Los investigadores de ORNL, VA y Harvard desarrollaron una matriz dispersa llena de informaci\u00f3n an\u00f3nima sobre lo que se cree que es la cohorte m\u00e1s grande de datos de atenci\u00f3n m\u00e9dica utilizados para este tipo de investigaci\u00f3n en los EE. UU. La matriz puede probarse con diferentes m\u00e9todos, como KESER, para obtener nuevos conocimientos sobre … Continuar leyendo \u00abInvestigadores desarrollan m\u00e9todo novedoso para identificar relaciones m\u00e9dicas complejas\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-11499","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/11499","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=11499"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/11499\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=11499"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=11499"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=11499"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}