Para peneliti Mount Sinai meluncurkan InfEHR, sebuah sistem AI yang menghubungkan peristiwa medis yang tidak terhubung dalam rekam medis elektronik, meningkatkan akurasi diagnostik dan mengungkap pola kesehatan tersembunyi. Terobosan ini menjanjikan kemajuan signifikan dalam pengobatan personal dan perawatan pasien.
Terobosan dalam kecerdasan buatan dapat segera merevolusi cara dokter mendiagnosis penyakit. Para peneliti di Fakultas Kedokteran Icahn di Mount Sinai dan kolaborator mereka telah mengembangkan InfEHR, sebuah sistem AI yang menghubungkan berbagai peristiwa medis dari waktu ke waktu. Teknologi inovatif ini mampu mengungkap pola tersembunyi dalam rekam medis elektronik (RME), mengubah jutaan titik data yang terfragmentasi menjadi wawasan diagnostik yang dapat ditindaklanjuti.
Penelitian, diterbitkan pada 26 September di Nature Communications, menyoroti kemampuan InfEHR untuk mempersonalisasi diagnostik. Alih-alih mengikuti proses diagnostik generik, InfEHR menyesuaikan analisisnya untuk setiap pasien dengan membangun jaringan dari setiap peristiwa medis.
Pendekatan ini memungkinkan AI tidak hanya memberikan jawaban yang dipersonalisasi tetapi juga mengajukan pertanyaan yang dipersonalisasi, sehingga secara signifikan meningkatkan proses diagnostik.
"Kami tertarik dengan seberapa sering sistem ini menemukan kembali pola-pola yang diduga oleh dokter tetapi tidak dapat ditindaklanjuti karena buktinya belum sepenuhnya terbukti," ujar penulis korespondensi senior Girish N. Nadkarni, ketua Departemen Kecerdasan Buatan dan Kesehatan Manusia Windreich, direktur Hasso Plattner Institute for Digital Health, Profesor Kedokteran Irene dan Dr. Arthur M. Fishberg di Fakultas Kedokteran Icahn di Mount Sinai, dan kepala AI di Mount Sinai Health System, dalam siaran pers. "Dengan mengukur intuisi tersebut, InfEHR memberi kami cara untuk memvalidasi apa yang sebelumnya hanya firasat dan membuka pintu bagi penemuan-penemuan yang benar-benar baru."
Dalam studi ini, sistem InfEHR menganalisis rekam medis elektronik yang telah dideidentifikasi dari Rumah Sakit Mount Sinai di New York dan UC Irvine di California. AI mengubah linimasa medis setiap pasien menjadi jaringan yang menggambarkan bagaimana berbagai peristiwa medis saling terhubung dari waktu ke waktu. Dengan meneliti beberapa jaringan tersebut, InfEHR belajar mendeteksi pola yang biasanya terkait dengan kondisi yang mendasarinya.
Efisiensi biaya dan akurasi merupakan keunggulan utama InfEHR. Sistem AI ini tidak memerlukan data pelatihan yang ekstensif, melainkan belajar langsung dari rekam medis pasien. Kemampuan adaptasi ini memungkinkannya bekerja secara efektif di berbagai sistem rumah sakit dan populasi.
Misalnya, InfEHR secara signifikan lebih efektif dalam mengidentifikasi bayi baru lahir dengan sepsis, suatu kondisi yang mengancam jiwa, dibandingkan dengan metode konvensional. InfEHR 12-16 kali lebih mungkin untuk menandai bayi yang terdampak.
Demikian pula, sistem ini mengidentifikasi pasien yang berisiko cedera ginjal pascaoperasi 4-7 kali lebih efektif daripada praktik saat ini.
Salah satu fitur unggulan InfEHR adalah kemampuannya untuk menunjukkan ketidakpastian. InfEHR dapat merespons "tidak yakin" ketika data tidak mencukupi, sebuah fitur keamanan utama yang mengatasi kelemahan utama AI tradisional, yang mungkin memberikan jawaban yang salah dengan tingkat keyakinan yang tidak memadai.
AI tradisional bertanya, 'Apakah pasien ini mirip dengan pasien lain yang menderita penyakit ini?' InfEHR mengambil pendekatan yang berbeda: 'Mungkinkah lintasan medis unik pasien ini merupakan hasil dari proses penyakit yang mendasarinya?' Inilah perbedaan antara sekadar mencocokkan pola dan mengungkap sebab-akibat," tambah penulis utama Justin Kauffman, ilmuwan data senior di Departemen Kecerdasan Buatan dan Kesehatan Manusia Windreich di Fakultas Kedokteran Icahn.
Ke depannya, tim peneliti berencana memperluas aplikasi InfEHR, seperti mempersonalisasi keputusan perawatan dengan mengintegrasikan data uji klinis. Hal ini dapat menjembatani kesenjangan antara penelitian berbasis uji klinis dan perawatan pasien di berbagai lingkungan klinis.
"Uji klinis seringkali berfokus pada populasi tertentu, sementara dokter merawat setiap pasien," tambah Kauffman. "Pendekatan probabilistik kami membantu menjembatani kesenjangan tersebut, sehingga memudahkan dokter untuk melihat temuan penelitian mana yang benar-benar relevan bagi pasien yang mereka hadapi."