FoundationEHR ist eine transformer-basierte Architektur für tiefe neuronale Netze, die mit fast 1 Milliarde EHRs von ~3,5 Millionen Patienten in den USA trainiert wurde.
Ausgangssituation und Kontext
Großes Potenzial für den Einsatz strukturierter elektronischer Patientenakten (ePA)
Strukturierte elektronische Patientenakten (ePAs), die Diagnosen, Verschreibungen und Verfahrenscodes enthalten, sind in vielen Gesundheitssystemen weit verbreitet. Sie werden z. B. für gesundheitsökonomische, pharmakoepidemiologische, pharmazeutische Überwachungs- und Marketingzwecke verwendet. Darüber hinaus besteht ein zunehmendes Interesse daran, diese Daten für personalisierte Risikovorhersagen, das Verständnis realer Krankheitsverläufe, die Konstruktion externer Kontrollarme oder die Nachbildung ganzer klinischer Studien zu nutzen. In diesem Zusammenhang werden die künstliche Intelligenz (KI) und insbesondere das maschinelle Lernen (ML) immer häufiger eingesetzt.
Bestehende Herausforderungen
Strukturierte ePA-Daten sind zunächst nicht für die Anwendung statistischer Modellierungstechniken oder fortgeschrittener KI/ML geeignet. Traditionell haben viele Forscher einen Analysedatensatz erstellt, indem sie einfach das Vorhandensein/Nichtvorhandensein bestimmter Diagnosen vor einem bestimmten Indexdatum in der Krankengeschichte eines Patienten angegeben haben.
Dieser Ansatz lässt alle zeitlichen Aspekte der Krankheitsentwicklung außer Acht und ist häufig auf eine vorab definierte Diagnose ausgerichtet, was die Entdeckung neuer Erkenntnisse aus Daten verhindert.
Nutzung des Potenzials von ePAs durch Deep Learning
Wir haben einen modernen, auf Deep Learning basierenden Ansatz für den Umgang mit strukturierten ePA-Daten entwickelt, der das volle Potenzial dieser Daten ausschöpft. FoundationEHR ist eine transformer-basierte Architektur für tiefe neuronale Netze, die mit fast 1 Milliarde EHRs von ~3,5 Millionen Patienten in den USA trainiert wurde. FoundationEHR ist ein Basismodell, d.h. ein KI-Modell, aus dem der Kunde in einem weiteren Feinabstimmungsprozess (Transfer-Learning) weitere aufgabenspezifische KI/ML-Modelle ableiten kann. FoundationEHR unterscheidet sich von anderen Lösungen durch mehrere Aspekte:
