Приклад: Ліцензування наборів медичних даних
Трансформація педіатричної та акушерсько-гінекологічної допомоги за допомогою точного контролю даних і навчання анотаціям
Розкриття потужності медичних даних: комплексна перевірка даних, деідентифікація, ICD-10 CM та анотація для чудового навчання моделі AI.
Огляд проекту
Шайп співпрацює з провідною компанією зі штучного інтелекту в галузі охорони здоров’я, щоб підготувати та анотувати високоякісні деідентифіковані набори медичних даних для навчання передових моделей НЛП. Проект був зосереджений на педіатрії та акушерстві-гінекології, надаючи амбулаторні записи, анотовані кодами ICD-10 CM через надійну структуру API.
Набір даних було структуровано таким чином, щоб полегшити навчання штучному інтелекту реальній медичній документації, підвищуючи можливості моделі для розуміння клінічних наративів.
Основна статистика
750 сторінок / ~300 амбулаторних записів
375 сторінок Педіатрія
375 сторінок Акушерство-гінеколог
Анотації медичного коду МКХ-10 CM 2023
Обсяг проекту
| Тип набору даних | Спеціальність | Об'єм | Метадані зафіксовано | примітки |
|---|---|---|---|---|
| Медичні записки | Педіатрія | 375 сторінок (~150 записів) |
Назва файлу, спеціальність, Тип документа, клас пацієнта (амбулаторний) |
Включає розділи оцінки/плану |
| акушер-гінеколог | 375 сторінок (~150 записів) | |||
| Анотації | МКБ-10 CM (2023) | Повний набір даних | Відображення коду через API | Перевірка коду програмістами виходить за рамки |
Виклики
Проект поставив кілька критичних завдань, які вимагали ретельного планування та виконання:
1. Збір даних про спеціальність
Отримання високоякісних амбулаторних записів виключно з педіатрії та акушерства-гінеколога було складним завданням. Кожен документ мав містити такі ключові клінічні розділи, як «Оцінка» та «План», щоб підтримувати точні анотації.
2. Комплексна деідентифікація PHI
Забезпечення повного видалення всієї персональної інформації (PII) із збереженням медичного контексту було важливим для відповідності HIPAA. Для цього потрібні були детальні перевірки, щоб запобігти будь-яким порушенням конфіденційності.
3. Комплекс МКХ-10 СМ Анотація
Застосування точних кодів ICD-10 CM (2023) через API було складним через різні стилі оповіді та медичну термінологію. Послідовність і точність у кодуванні були критично важливі для забезпечення надійного навчання моделі ШІ.
4. Точність і узгодженість метаданих
Збір і перевірка метаданих, таких як спеціальність, тип документа та клас пацієнта без розбіжностей, була життєво важливою. Будь-яка невідповідність може вплинути на навчання моделі та зручність використання даних.
5. Строга амбулаторна фільтрація
Переконайтеся, що всі записи були суто амбулаторними, що ускладнило, оскільки багато клінічних документів можуть містити змішані категорії пацієнтів або неповні розділи.
6. Гарантія якості та стандарти точності
Досягнення порогу точності в 90% вимагало багаторівневих перевірок для усунення дублікатів, перевірки узгодженості спеціальності та забезпечення деідентифікації — з можливістю переробки за потреби.
Рішення
Комплексне ліцензування та анотація даних
- Ліцензовані педіатричні та акушерсько-гінекологічні амбулаторні карти
- Забезпечено включення критичних розділів: Головна скарга, Історія, ROS, Оцінка, План
- Анотація ICD-10 CM на основі API (версія 2023)
Деідентифікація та відповідність
- PHI замінено заповнювачами (PERSON_NAME, DATE, LOCATION тощо)
- Забезпечено дотримання стандартів конфіденційності медичних даних
Теги метаданих
- Захоплені детальні метадані для кожного файлу:
-
- File Name
- Спеціальність (педіатрія або акушер-гінеколог)
- Тип документа (контроль, H&P, консультація)
- Клас пацієнтів (тільки амбулаторне лікування)
Контроль якості
- Суворі оцінки якості з:
- Немає дублікатів записів
- Спеціальна перевірка відповідності
- Амбулаторна перевірка
- Перевірка узгодженості метаданих
- Заміна або виправлення записів з порогом точності нижче 90%.
Результат
Шайп надав структурований, анотований набір даних медичних нотаток, який дозволив клієнту:
- Навчання моделей ШІ для точного передбачення коду ICD-10 CM
- Розширення можливостей НЛП у реальних сценаріях охорони здоров’я
- Дотримуйтесь стандартів конфіденційності та регулятивних стандартів
- Масштабуйте моделі штучного інтелекту охорони здоров’я в областях педіатрії та акушерства-гінеколога
Структурований підхід Шайпа до підготовки набору даних і анотації перевершив наші очікування. Точність, деідентифікація та точність метаданих значно посилили наш навчальний конвеєр моделі AI.
