ממצאים לא צפויים (Chroneme)

ממצאים לא צפויים השבוע. רוב המודלים של בינה מלאכותית קלינית נתקעים לפני שהם מגיעים לבית חולים שני. מודל הספסיס של Epic הוא דוגמה קלאסית. זה אחד מכלי הבינה המלאכותית הקלינית הנפוצים ביותר בארצות הברית, והוא פועל במאות בתי חולים. הוא משווק כדרך להתריע בפני רופאים שעות לפני שמטופל מפתח ספסיס.

ב-2021 צוות במישיגן בדק אותו באופן בלתי תלוי ופרסם את התוצאות ב-JAMA Internal Medicine. המודל תפס רק שליש ממקרי הספסיס, סימן בערך אחד מכל חמישה אשפוזים, ואיבד 13 עד 20 נקודות דיוק לעומת מה ש-Epic דיווחה.

זה לא חריג. לתופעה יש שם: קריסה בין מאגרי נתונים. מודל לומד איך אתר אחד מתעד את הנתונים שלו, ומאבד את היתרון שלו ברגע שהוא פוגש אתר אחר.

בניתי את Chroneme על הנחת יסוד אחרת. מערכת שקוראת איך הגוף באמת משתנה לאורך זמן, ולא איך בית החולים מתעד אותו, אמורה להיות מסוגלת לעבור בין בתי חולים. והיא לא צריכה להיות מוגבלת למצב אחד. Epic חוזה ספסיס. Chroneme קוראת מסלולים, כך שאותו מנוע מסמן כל הידרדרות חמורה מספיק כדי לחייב וזופרסורים, אינטובציה או דיאליזה.

בדקתי אותה על שני מאגרי נתונים עצומים של טיפול נמרץ, בלתי תלויים לחלוטין. בתי חולים שונים, מערכות שונות של רשומות רפואיות ממוחשבות, עשור אחר. התוצאות יצאו בהפרש של פחות מחצי נקודה. התאמה הדוקה כזו בין מאגרי נתונים היא נדירה בבינה מלאכותית קלינית, במיוחד עבור תוצא משולב שנמדד לפני כל התערבות. הקריסה היא לא חוק טבע. היא תכונה של האופן שבו רוב המודלים בנויים. Chroneme מרמזת שיש דרך אחרת.

פער של חצי נקודה חשוב בגלל מה שהוא מוציא מהמשוואה. את רוב הבינה המלאכותית הקלינית צריך לתקף מחדש, לכייל מחדש, ולפעמים לאמן מחדש בכל אתר חדש. העלות הזו היא הסיבה שמודלים טובים נתקעים. אם מערכת שומרת על הדיוק שלה בין בתי חולים, מערכות רשומות רפואיות ממוחשבות ועשורים, עבודת הפריסה משנה צורה. רגולטורים יכולים להעריך אותה פעם אחת. מערכות בריאות יכולות לבנות עליה בלי לבנות אותה מחדש. התקרה של בינה מלאכותית קלינית תמיד הייתה יכולת ההכללה. Chroneme מרמזת שהתקרה זזה.

אם אתם עובדים בבינה מלאכותית קלינית, תגידו לי איפה זה מתפרק.

((Z))