Integrando pesquisa biomédica e registros eletrônicos de saúde para criar incorporações significativas do ponto de vista biológico, baseadas em conhecimento e legíveis por máquina

Para avançar na medicina de precisão, características clínicas detalhadas devem ser descritas de uma forma que aproveite o conhecimento atual. Embora os dados coletados da pesquisa biomédica estejam se expandindo a uma taxa quase exponencial, nossa capacidade de transformar essas informações em cuidados ao paciente não acompanhou esse ritmo. Uma barreira importante que impede essa transformação é que a coleta e análise de dados multidimensionais geralmente são realizadas sem muito entendimento da estrutura de conhecimento subjacente. Aqui, em um esforço para superar essa lacuna, os Registros Eletrônicos de Saúde (EHRs) de pacientes individuais são conectados a uma rede de conhecimento heterogênea chamada Motor de Conhecimento Orientado à Medicina de Precisão Escalável (SPOKE). Em seguida, um algoritmo de aprendizado de máquina não supervisionado cria Vetores de Entrada SPOKE Propagados (PSEVs) que codificam a importância de cada nó SPOKE para qualquer código nos EHRs. Argumentamos que esses resultados, juntamente com a integração natural dos PSEVs em qualquer plataforma de aprendizado de máquina EHR, fornecem um passo fundamental em direção à medicina de precisão.