AIML生成真实世界证据

可使用AI/ML的两个例子包括稀有疾病检测和理解疾病流行

稀有疾病检测的机遇与挑战

六至七千例稀有疾病确认[1],12个加拿大人中1个有稀有疾病[2]80%的稀有疾病原生基因[3][4],大约需要7.3年诊断[4]

必威手机APP因难识别并诊断稀有疾病,病人常几年不治疗,导致他们的健康和总体生活质量进一步恶化。此外,即使诊断出病人,他们的病本可发展到药物失效的地步这可能导致需要昂贵医疗资源帮助病人持续管理他们的疾病。此外,ICD-10代码可能不具体,医生可选择最能表示症状的代码稀有疾病编译不具体化,病人有可能归为单代码类所有这些都可能导致对病人的子值护理并恶化结果

因此,快速识别这些病人至关重要,以便启动治疗必威手机APP越早发生这种情况,越早能有效管理他们的疾病,导致更好的病人结果并有可能减少保健资源利用

然而,鉴于诊断模棱两可性,辨识这些病人具有挑战性IT/ML强度可应用到此AI/ML可理解复杂模式、处理方式和关联性,这些模式、处理方式和关联性并非总是显而易见,并开发算法准确高效识别这些病人

下图说明AI/ML产生最大值所必须满足的条件

案例研究

挑战IQVIA与客户合作,客户想了解早期疾病检测算法是否可以用于查找未诊断的稀有疾病的病人

求解IQVIA进行了一项研究,比较混合临床AI方法与完全数据驱动AI和KOL知识数据取自初级护理数据库和特殊护理数据库,覆盖约500万病人

结果

密钥取出AI/ML结合临床知识产生强效结果,比标准流行病学方法高2.5倍,比KOL规则高5倍

挑战与考量AI/ML可成为强效工具帮助检测稀有疾病,但有些事需要考虑低数目的稀有疾病患者,运行AI/ML的数据集需要大到足以开发算法精确识别该疾病的患者的算法,否则算法冒识别假阳性风险,即识别无病病人为特殊稀有病第二,算法需要从与应用数据集同样的样本中进行“训练”,应用数据集将用来检测稀有疾病的病人使用适当策略必须确保某些偏差不放大,例如算法培训城市病人可能不适用于非城市居民

为了进一步完善使用AI/ML检测稀有疾病,IQVIA测试模式增强补充模式增强使用对抗学习概念,机器学习辨别假阳性第一,生成器学习造假但可能有病人样本疾病检测器然后试图辨别正向和负向病人样本生成器和疾病检测器之间建立方法训练疾病检测器培训后,疾病检测器可用于检测稀有疾病患者运行实域数据进程提供强效结果整页可读来.

判断疾病流行

AI/ML还成功用于确定心血管或免疫性疾病等不一定稀有疾病的流行程度可生成信息以进一步填补知识中的任何具体空白,从而能对疾病有更全面的理解。

案例研究

挑战客户想理解加拿大人口中慢性心衰败的流行性,因为估计或来自医院数据或数据库,覆盖有限

求解IQVIA开发预测解析模型 使用电子医疗记录数据预测心故障处方模式算法测试使用约15%心衰人数据集建立模型精度、正负预测值,即概率诊断病人有或没有疾病算法应用到国家数据库估计心衰竭的流行程度

密钥取出共有1 515名病人参加研究以确定心衰竭的流行程度模型总精度为80%,敏感度65%,特征89%,PPV81%和NPV79%算法应用到40岁的病人时,研究估计约650 000名病人,与文献估计数590 416和626 199相匹配。

结论AI/ML的出现为数据挖掘和证据生成打开了可能性领域,帮助解决复杂问题IQVIA是一个全球领先者 并拥有我们在RealWorld证据方面的专门知识 我们可以帮助客户继续驱动创新

引用

[1]孤儿组织,“关于稀有疾病”,加拿大孤儿组织,2017年[在线..
[2]aBOUT电线,加拿大稀有故障组织在线..接通2020年
3稀有疾病诊断全球挑战
[4]Rare疾病数控 美国生物制药公司在线..