Американское Ведомство по патентам и товарным знакам на днях опубликовало патентную заявку на прогнозирующую систему электронных медицинских карт (ЭМК), которую подала в мае прошлого года компания Verily (вместе с Google входит в состав холдинга Alphabet). Отметим, что заявка пока не удовлетворена.
Как указано в патентном описании, система Verily может агрегировать и хранить ЭМК для различных групп населения, объединяя при этом индивидуальные больничные записи каждого пациента в единый хронологический документ. Компьютерная система, использующая модели глубокого обучения, затем будет использовать этот набор данных для составления прогнозов будущих событий, связанных со здоровьем пациента, а также для лучшего сопоставления собранных данных для объяснения соответствующих событий в прошлом, которые были зафиксированы в ЭМК. Результаты такого анализа будут выводиться на экран компьютера или планшета врача, что поможет ему определить проблемные области или своевременно вмешаться еще до наступления опасного для здоровья пациента события.
Предполагается также, что система будет способна агрегировать записи из различных медицинских учреждений и понимать разнообразные форматы данных. Примеры будущих прогнозов клинических событий, приведенные в заявке, включали в себя незапланированный перевод в отделение интенсивной терапии, посещения отделения неотложной помощи, новую госпитализацию в течение 30 дней после выписки, смертность в стационаре и нетипичные лабораторные результаты, связанные с рядом заболеваний.
Заявка основана на исследовании, которое совместно проводили Google, университеты Сан-Франциско и Чикаго, а также Медицинская школа Стэнфордского университета. В нем использовались 46 864 534 945 ретроспективных пунктов данных ЭМК, полученных от 216 221 взрослого пациента, госпитализированного максимум за 24 часа до этого в двух академических медицинских центрах США. На основе этих данных модели глубокого обучения, разработанные командой, смогли предсказать будущую внутрибольничную смертность, незапланированную госпитализацию в течение месяца после выписки, длительность пребывания и все окончательные диагнозы пациента с точностью, превосходящей по всем параметрам традиционные модели прогнозирования.
В настоящее время компания уже ведет этот проект, причем работы сосредоточены на точности, масштабируемости и интероперабельности (совместимости), что является особенно многообещающим направлением для приложений на базе машинного обучения в здравоохранении.