Racionalizace nemocničních zobrazovacích vyšetření s využitím strojového učení

Abstract

V současnosti se mnoho lékařských zobrazovacích vyšetření provádí zbytečně. Jde o důsledek několika faktorů, včetně lepší dostupnosti, automatizace a širšího portfolia vyšetření. Nadbytek vyšetření je také často spojen s defenzivním rozhodováním lékařů. Zobrazovací vyšetření s nízkou diagnostickou hodnotou a vysokými náklady zbytečně stresují pacienty, vystavují je nepotřebným rizikům a zatěžují zdravotnická zařízení. V této práci analyzujeme výsledky lékařských zobrazovacích metod za účelem získání důležitých diagnostických informací, které mohou pomoci vyvinout nové diagnostické postupy minimalizující počet nadbytečných zobrazovacích vyšetření. Hlavním přínosem této studie je návrh obecné pipeline pro extrakci diagnostických informací z nestrukturovaných lékařských zpráv, která dosahuje vysoké přesnosti v analýze českého textu s omezenou dostupností zdrojů. Navržená pipeline kombinuje moderní techniky strojového učení s dohledem, bez dohledu a s částečným dohledem za účelem minimalizace manuálního vstupu klinických odborníků, čímž omezuje vytížení zdravotnického personálu. Kromě toho využíváme strojové učení také k detekci pacientů, kteří podstupují zobrazovací vyšetření zbytečně, a to na základě výsledků jejich biochemických laboratorních testů. Na závěr naši metodiku vyhodnocujeme na klinických datech, která nám pro analýzu byla poskytnuta Fakultní nemocnicí Plzeň, a prezentujeme získané výsledky.

In the present day, a significant number of medical imaging examinations are conducted unnecessarily. This issue arises from a combination of factors, including improved accessibility, automation, expanding test portfolio, and defensive medical decision-making. These low-value, high-cost examinations not only cause undue stress for patients and expose them to avoidable risks but also place an unnecessary burden on hospitals. In our work, we analyze the results of medical imaging methods to extract important diagnostic information with the aim of developing new diagnostic policies that minimize the number of unnecessary medical examinations. The primary contribution of this study is the development of a general pipeline for extracting diagnostic information from unstructured clinical notes that achieves high performance in a low-resource language setting. Additionally, the proposed pipeline combines state-of-the-art unsupervised, semi-supervised, and supervised machine learning techniques to minimize the annotation effort from clinical experts, thereby alleviating the burden on understaffed healthcare personnel. Moreover, we employ various machine learning techniques to detect subgroups of patients undergoing imaging procedures unnecessarily based on the results of their biochemical laboratory tests. Finally, we evaluate our methodology on two real-world datasets provided by the University Hospital in Pilsen and present the obtained results.