Az egészségügy egyik leggyorsabban fejlődő területe a prediktív egészségügy, amelynek célja, hogy a betegségeket még a tünetek megjelenése előtt felismerje vagy előre jelezze. Ebben kulcsszerepet játszanak az elektronikus betegadatok, a gépi tanulás és az adatvezérelt kockázatbecslési modellek.
Elektronikus betegadatok: az egészségügy digitális nyersanyaga
A modern egészségügyi rendszerek hatalmas mennyiségű adatot gyűjtenek:
- laboreredmények,
- diagnózisok,
- gyógyszerfelírások,
- képalkotó vizsgálatok,
- életmódbeli adatok,
- okoseszközökből származó információk.
Ezeket az adatokat Electronic Health Record (EHR) rendszerek tárolják. A kutatások szerint az EHR-adatok lehetővé teszik, hogy a modellek összefüggéseket találjanak különböző betegségek és kockázati tényezők között.
Gépi tanulás az egészségügyben
A prediktív modellek mögött gyakran gépi tanulási algoritmusok működnek. Ezek a rendszerek több millió korábbi betegadat elemzésével tanulják meg felismerni a mintázatokat.
Például:
- a vérnyomás,
- a vércukorszint,
- a testsúlyváltozás,
- vagy akár a pulzusminták
együttesen jelezhetik egy későbbi szív- és érrendszeri betegség kockázatát.
A modern deep learning modellek már nemcsak egyszerű statisztikai összefüggéseket keresnek, hanem komplex kapcsolatokat is képesek felismerni a betegadatok között.
Kockázatbecslés és korai diagnózis
A prediktív egészségügy egyik legfontosabb célja a korai beavatkozás. Ha egy rendszer időben felismeri, hogy egy páciens magas kockázatú csoportba tartozik, az orvosok hamarabb tudnak életmódváltást, szűrővizsgálatot vagy kezelést javasolni.
A kutatások szerint az adatvezérelt modellek különösen hasznosak lehetnek:
- cukorbetegség,
- szívbetegségek,
- vesebetegségek,
- daganatos betegségek előrejelzésében.
Egyes új modellek már ritka betegségek felismerésében is segíthetnek, különösen akkor, amikor kevés klinikai adat áll rendelkezésre.
A jövő: személyre szabott egészségügy
A prediktív modellek fejlődése közelebb vihet a személyre szabott egészségügyhöz, ahol a kezelések és megelőzési stratégiák egyéni kockázati profil alapján készülnek.
Ugyanakkor kihívások is vannak:
- adatvédelem,
- algoritmikus torzítás,
- hiányos adatok,
- a modellek átláthatósága.
A szakértők szerint azonban az egészségügy jövőjében egyre nagyobb szerepet kapnak azok a rendszerek, amelyek nemcsak kezelik, hanem előre is jelzik a betegségeket.
Források:
Kuan, V., Fraser, H. C., Hingorani, M., Denaxas, S., Gonzalez-Izquierdo, A., Direk, K., Nitsch, D., Mathur, R., Parisinos, C. A., Lumbers, R. T., Sofat, R., Wong, I. C. K., Casas, J. P., Thornton, J. M., Hemingway, H., Partridge, L., & Hingorani, A. D. (2021). Data-driven identification of ageing-related diseases from electronic health records. Scientific reports, 11(1), 2938. https://doi.org/10.1038/s41598-021-82459-y
Hossain, M. E., Khan, A., Moni, M. A., & Uddin, S. (2021). Use of Electronic Health Data for Disease Prediction: A Comprehensive Literature Review. IEEE/ACM transactions on computational biology and bioinformatics, 18(2), 745–758. https://doi.org/10.1109/TCBB.2019.2937862
Goldstein, B. A., Navar, A. M., Pencina, M. J., & Ioannidis, J. P. (2017). Opportunities and challenges in developing risk prediction models with electronic health records data: a systematic review. Journal of the American Medical Informatics Association : JAMIA, 24(1), 198–208. https://doi.org/10.1093/jamia/ocw042
Liu, L., Li, H., Hu, Z., Shi, H., Wang, Z., Tang, J., & Zhang, M. (2020). Learning Hierarchical Representations of Electronic Health Records for Clinical Outcome Prediction. AMIA … Annual Symposium proceedings. AMIA Symposium, 2019, 597–606.
Imre Anna