Ученые из Китая создали классификатор на основе модели обработки естественного языка, который диагностирует детские болезни, анализируя симптомы и результаты анализов. Точность диагностики составила 75-93% для различных классов болезней, что сопоставимо с результатами педиатров.
Модели диагностики уже показывают хорошие результаты в постановке диагнозов по сканам МРТ, но классификаторы на основе текстовых данных пока не распространены. Такие разработки могут ускорить диагностику в отделениях неотложной помощи, а также помочь в больницах, где не хватает врачей.
Исследование
Разработчики обучили модель обработки естественного языка на данных электронных медицинских карт 567,498 пациентов до 18 лет из больницы Гуанчжоу. Они получили информацию о 1,3 миллионах визитов к врачу, включая описания симптомов, диагнозы, поставленные доктором, заметки медсестер и результаты анализов. В результате модель научилась классифицировать 55 распространенных детских болезней.
На диаграмме изображен процесс извлечения данных из электронных медицинских карт, за которым следует глубокий анализ НЛП и обработка результатов с помощью классификатора заболеваний для прогнозирования клинического диагноза.
Результаты
Работу алгоритма сравнили с точностью 20 педиатров с разны опытом работы. Модели удалось превзойти молодых врачей в точности постановки диагноза, но опытные педиатры справились лучше классификатора. Ученые пока не говорят, что подобный алгоритм должен заменить врача — речь о том, чтобы использовать его для помощи в диагностике.
Модель справилась с диагностикой довольно хорошо. Она смогла классифицировать болезни: астму, пневмонию, менингит и другие с точностью от 0,786 до 0,935.
Врачи смогут применять разработку, чтобы обрабатывать большие объемы данных и принимать больше пациентов. В тоже время алгоритм может помочь в постановке диагноза в случае неопределенности. Хотя модель в основном нацелена на помощь больницам, в которых не хватает педиатров, преимущества такого ИИ универсальны. В дальнейшем ученые собираются обучить алгоритм диагностировать болезни взрослых пациентов.
Работа опубликована в журнале Nature Medicine.
