Google 'Predictive EHR' Menggunakan Machine Learning untuk Prakiraan Peristiwa Kesehatan


Ken Terry
06 Februari 2019

US Patent and Trademark Office pada 31 Januari menerbitkan aplikasi paten Google untuk sistem "pembelajaran mesin dalam" yang menggunakan data longitudinal electronic health record (EHR) untuk memprediksi peristiwa kesehatan di masa depan.

Sistem pendukung keputusan klinis juga dapat membantu dokter mengidentifikasi pasien yang paling membutuhkan bantuan dan dapat menampilkan penanda klinis utama yang mendasari prediksi, menurut Google.

Google mengumumkan konsep Mei lalu dan mengajukan aplikasi paten pada bulan Juli. Kantor Paten belum memberikan paten untuk sistem EHR prediktif.

Sistem Google dapat mengumpulkan dan menyimpan data EHR untuk populasi dan pasien secara individu. Perusahaan ini menggunakan kerangka kerja Sumber Daya Interoperabilitas Kesehatan Cepat Seven Level Seven untuk membakukan data yang diekstraksi dari EHR yang berbeda, kata sebuah posting blog Google. Kemudian, tanpa pengguna harus menentukan variabel yang diminati, model pembelajaran yang mendalam untuk setiap prediksi "membaca semua titik data dari yang paling awal hingga yang terbaru dan mempelajari data mana yang membantu memprediksi hasilnya."

Google berkolaborasi dalam studi sistemnya dengan University of California, San Francisco, Stanford Medicine, dan University of Chicago Medicine. Sistem Google dapat memprediksi mortalitas di rumah sakit, penerimaan ulang 30 hari yang tidak direncanakan, lama rawat inap yang lama, dan diagnosa pemulangan akhir dengan akurasi lebih unggul daripada model prediksi tradisional, kata perusahaan itu.

Pendekatan Google meningkat pada pendekatan tradisional untuk agregasi data untuk pemodelan prediktif, catat para peneliti. "Yang penting, kami dapat menggunakan data apa adanya, tanpa upaya manual yang melelahkan yang biasanya diperlukan untuk mengekstrak, membersihkan, menyelaraskan, dan mengubah variabel yang relevan dalam catatan itu."

Dalam aplikasi paten, Google mengatakan bahwa sistem prediksi dapat membantu dokter memprioritaskan pasien dan dapat menunjukkan informasi mana yang harus dicari dalam grafik pasien. Informasi itu dapat membantu penyedia layanan kesehatan mengidentifikasi bidang-bidang yang menjadi perhatian atau melakukan intervensi untuk mengurangi kemungkinan terjadinya peristiwa yang merugikan, aplikasi mencatat.

Bangkitnya Mesin

Pembelajaran mesin dalam dan jenis kecerdasan buatan (AI) lainnya semakin banyak digunakan untuk memprediksi kejadian klinis dan memperbaiki protokol klinis.

Sebagai contoh, Penn Medicine telah menggunakan pembelajaran mesin untuk mendesain ulang jalur perawatan dan untuk berhasil memprediksi pasien mana yang cenderung mengalami sepsis, menurut CIO.com. Rumah Sakit Flagler di St. Augustine, Florida, telah menggunakan solusi AI untuk meningkatkan dan menstandarisasi jalur perawatan untuk pasien dengan pneumonia dan sepsis, HealthcareITNews melaporkan. Dan Grady Health System di Atlanta, Georgia, dilaporkan menghemat $ 4 juta dengan mencegah penerimaan kembali menggunakan kombinasi analitik prediktif yang digerakkan oleh AI dan intervensi komunitas tingkat pasien, menurut Mobile Health News.

Apakah alat-alat seperti itu akan digunakan atau tidak di kalangan dokter sangat tergantung pada keakuratannya. Mengomentari program Penn Medicine di artikel CIO.com, Dean Sittig, PhD, seorang profesor di University of Texas Health Sciences Center di Houston, mengatakan bahwa prediksi harus tepat lebih dari separuh waktu, atau dokter tidak akan membayar memperhatikan mereka.

Uji coba sistem EHR prediktif Google, menurut sebuah artikel di Jurnal Mitra Alam: Kedokteran Digital, memproses 46,8 miliar titik data yang dikumpulkan dari 216.221 pasien dewasa dirawat di rumah sakit selama setidaknya 24 jam di dua pusat medis akademik.

Menggunakan skala di mana 1,00 adalah sempurna dan 0,50 tidak lebih baik daripada kesempatan acak, model yang digunakan dalam penelitian ini mencetak 0,86 dalam memprediksi apakah pasien akan memiliki lama tinggal di rumah sakit, 0,95 dalam memprediksi kematian rawat inap, dan 0,77 dalam meramalkan penerimaan kembali yang tak terduga .

SUMBER: Medscape, 06 Februari 2019.