Generatives KI-Modell scannt Notfälle, um Hochrisiko-Influenza-Expositionen mit hohem Risiko zu identifizieren

Forscher der University of Maryland School of Medicine entwickelten eine neue und hochwirksame Anwendung eines KI-Tools für künstliche Intelligenz (KI), um Notizen in elektronischen medizinischen Unterlagen schnell zu scannen und Patienten mit hohem Risiko zu identifizieren, die möglicherweise mit H5N1-Vogel-Influenza oder „Vogelflüssigkeit“ infiziert wurden, laut neuen Erkenntnissen, die in der Zeitschrift veröffentlicht wurden Klinische Infektionskrankheiten.

Mit einem generativen KI-Großsprachmodell (LLM) analysierte das Forschungsteam 13.494 Besuche in den Notaufnahmen des Medizinischen Systems der Universität von Maryland (UMMS) von erwachsenen Patienten in städtischen, vorstädtischen und ländlichen Gebieten 2024. Diese Patienten hatten alle akute Atemwegserkrankungen (z. Ziel war es zu beurteilen, wie gut generative KI mit hohem Risiko Patienten finden konnte, die zum Zeitpunkt der Erstbehandlung möglicherweise übersehen wurden.

Das Modell scannte alle Notizen der Notaufnahme und markierte 76, da sie eine Hochrisikopopulation für die Vogelgrippe erwähnten, z. B. als Metzger oder auf einer Farm mit Vieh wie Hühnern oder Kühen. Normalerweise wurden diese Expositionen im Übrigen als Beispiel erwähnt, um den Beruf eines Patienten als Metzger oder Landarbeiter zu dokumentieren-und nicht aufgrund des klinischen Verdachts auf die Vogelgrippe.

Nach einer kurzen Überprüfung des Forschungsmitarbeiters wurde bestätigt, dass 14 Patienten in jüngster Zeit eine relevante Exposition gegenüber Tieren hatten, von denen bekannt ist, dass sie H5N1 tragen, einschließlich Geflügel, Wildvögel und Vieh. Diese Patienten wurden nicht speziell auf H5N1 getestet, sodass ihre potenziellen Vogelflu-Infektionen nicht bestätigt wurden, aber das Modell fand diese „Nadel in einem Heuhaufen“ Fälle bei Tausenden von Patienten, die wegen saisonaler Grippe und anderen Routinematronen-Atemkrankungen behandelt wurden.

„Diese Studie zeigt, wie generative KI eine kritische Lücke in unserer Infrastruktur für öffentliche Gesundheit schließen kann, indem sie Patienten mit hohem Risiko erkennen, die sonst unbemerkt bleiben würden“, sagte die korrespondierende Autorin Katherine E. Goodman, JD, Assistenzprofessorin für Epidemiologie und öffentliche Gesundheit bei UMSOM und ein Fakultätsmitglied des Instituts für das Gesundheitswesen der Universität von Maryland (UM-IHC). „Wenn H5N1 weiterhin bei US -Tieren zirkuliert, besteht unsere größte Gefahr landesweit darin, dass wir nicht wissen, was wir nicht wissen. Weil wir nicht verfolgen, wie viele symptomatische Patienten potenzielle Vogelgrippe -Expositionen haben und wie viele dieser Patienten getestet werden, könnten Infektionen unentdeckt werden.

Seit Anfang 2024 hat H5N1 mehr als 1.075 Milchviehherden in 17 Bundesstaaten infiziert, und über 175 Millionen Geflügel und Wildvögel haben während dieser Ausbruchperiode positiv getestet. Identifizierte Fälle menschlicher Fälle bleiben selten, mit 70 bestätigten Infektionen und nur einem Todesfall in den USA Mitte 2025 gemäß den Zentren für die Kontrolle und Prävention von Krankheiten (CDC). Es gibt jedoch wahrscheinlich viele weitere Infektionen, die aufgrund eines Mangels an weit verbreiteten Tests unentdeckt geblieben sind. Darüber hinaus könnten neue Stämme entstehen, die es ermöglichen, Menschen mit Menschen zu menschlich zu verteilt, was zu einem Anstieg in Fällen und einer potenziellen Epidemie führen würde.

Die AI -Überprüfung erforderte nur 26 Minuten menschliche Zeit und kostete nur 3 Cent pro Patientnote, was eine hohe Skalierbarkeit und Effizienz zeigt. Diese Methode hat das Potenzial, ein nationales Netzwerk klinischer Sentinel -Standorte für die Überwachung von Infektionskrankheiten zu schaffen, um die neu auftretenden Epidemien besser zu überwachen. „

Anthony Harris, MD, MPH, Studien Co-Autor, Professor und amtierender Vorsitzender für Epidemiologie & Public Health bei UMSOM

Das LLM (GPT-4 Turbo) zeigte eine starke Leistung bei der Erkennung von Erwähnungen der Tierbelastung mit einem positiven Vorhersagewert von 90% und einem negativen Vorhersagewert von 98%, wenn er an einer Stichprobe von 10.000 Besuchen der historischen Notaufnahme von 2022-2023 bewertet wurde, bevor die Vogelgrippe in US-Lebensdockel zirkulierte. Das Modell war jedoch konservativ, als die Expositionen identifiziert wurden, die speziell für die Vogelinfluenza-Sometimes-Somet-Backgarten mit einem tierischen Kontakt mit geringem Risiko relevant sind, z.

Wenn das Risiko von Infektionen, die von Tieren übertragen werden, wächst, schlagen Forscher vor, dass Großsprachmodelle auch prospektiv verwendet werden könnten, um die Gesundheitsdienstleister in Echtzeit zu alarmieren. Dies könnte sie dazu veranlassen, wachsamer zu sein, wenn sie nach potenzieller Exposition gegenüber infizierten Tieren, gezielten Tests und der Kontrolle von Infektionen durch Isolieren von Patienten fragen. Die CDC stützt sich derzeit auf die Berichterstattung über das Mandated Lab, um die Influenza der Vogelbeobachtung zu verfolgen, aber es fehlt Systeme, um zu beurteilen, ob Kliniker relevante Expositionen bei symptomatischen Patienten fragen oder dokumentieren.

Die Forscher hoffen, das große Sprachmodell als nächstes auf prospektive Überwachung und Einsatz in der elektronischen Gesundheitsakte zu testen, um eine schnellere Identifizierung von Patienten mit hohem Risiko mit hohem Risiko zu identifizieren. Da die Saison der Atemwegsvirus im Herbst wieder aufgenommen wird, ist besonders kritisch kritisch, wenn die Patienten mit einer schnellen und genauen Art der Identifizierung der Patienten mit speziellen Tests auf Vogelgrippe oder vorsorglicher Isolation bei der Behandlung identifiziert werden.

„Wir stehen an der Spitze einer störenden, aber unglaublich vielversprechenden Revolution um Big Data und künstliche Intelligenz“, sagte Umsom Dean Mark T. Gladwin, MD, der auch Vizepräsident für medizinische Angelegenheiten, University of Maryland, Baltimore (UMB) und John Z. und Akiko K. Bowers unterschieden. Professor. „Die am Institute for Health Computing tätigen Ingenieur und Arztforscher haben von den zwei Millionen Patienten, die wir in ganz Maryland dienen, sicheren Zugang zu medizinischen Unterlagen und können, wie diese Studie zeigt, AI und Big Data verwenden, um frühe Signale von aufkommenden Infektionskrankheiten wie Vogelgrippe zu identifizieren, um sie früher zu testen und sie von der Strecke zu verteilt.“

Andere Co-Autoren der UMSOM-Fakultät in der Zeitung sind Laurence S. Magder, PhD, Professor für Epidemiologie und öffentliche Gesundheit bei Umsom, Jonathan D. Bagdadi, MD, Associate Professor für Epidemiologie und öffentliche Gesundheit und öffentliche Gesundheit bei UMSOM, MS, MS, MS, MS, MS, MS, MSMIG, MOSH MOSH MOSMIGE, MOSH MOSH.

Die Studie wäre ohne die Beiträge des UM Institute of Health Computing nicht möglich gewesen, das vor zwei Jahren in North Bethesda, Maryland als Zusammenarbeit zwischen dem University of Maryland, dem College Park, der University of Maryland, Baltimore und dem Medical System der University of Maryland gegründet wurde. Das Institut verschmilzt das Rechenkompetenz, das klinische Fachwissen, die biomedizinische Innovation, die Gesundheitsdaten und die akademischen Ressourcen der drei Institutionen.

„Als akademisches Gesundheitssystem haben wir die Verantwortung, uns auf die Heilungen von morgen vorzubereiten, während wir die Versorgung von heute anbieten, und sind seit langem ein nationaler Marktführer für die medizinische Forschung und die Patientenversorgung“, sagte Mohan Suntha, MD, Präsident und CEO der Universität von Maryland Medical System. „Wir erkennen auch an, dass der Wert der Daten in unserem System repräsentativ für die Vielfalt der Gemeinschaften ist, die wir zu dienen haben.“

Die Finanzierung der Forschung wurde von der Bundesbehörde für Gesundheitsforschung und -qualität bereitgestellt. Computer- und Datenspeicherkosten für LLM -Analysen wurden vom UM Institute for Health Computing unterstützt.

Quellen: