Tartu ülikooli arvutiteaduse instituudi teadlased tõestasid värskes uuringus, et suured keelemudelid suudavad arstide kirjutatud elektroonilistest märkmetest suure täpsusega üles leida põhjused, miks patsiendid ravimite võtmise lõpetavad.

Diabeediravimitele ja statiinidele keskendunud teadustöö näitas kätte meetodi, kuidas panna seni raskesti analüüsitav kliiniline info meditsiini kasuks tööle.

Põhjus peidab end arsti märkmetes

Terviseinformaatika uurimisrühmas tehtud ulatuslikus uuringus ühendati kümme protsenti Eesti rahvastiku retseptiandmeid aastatest 2012–2019 arstide kirjutatud märkmetega. Probleem, millele lahendust otsiti, oli siinses meditsiinisüsteemis igapäevane.

«Retseptiandmetest näeme, et ravim on jäänud välja ostmata, kuid põhjus on sageli kirjas hoopis arsti märkmetes. Seni oli seda infot võimalik kasutada vaid väga piiratud mahus, sest haiguslugude käsitsi läbitöötamine on äärmiselt ajamahukas,» ütles Tartu ülikooli terviseinformaatika nooremteadur Hendrik Šuvalov.

Keelemudelid tegid uskumatu täpsusega tööd

Uuringu esimeses etapis otsiti üles patsiendid, kes polnud vähemalt ühe aasta jooksul neile määratud ravimit apteegist välja ostnud. Seejärel pandi tööle suured keelemudelid, mille ülesanne oli leida arstide märkmetest ravi lõpetamisega seotud fraasid, konkreetsed põhjused ja tuvastada isegi see, kas ravi katkestamise algatas patsient või arst.

Et hoida patsientide andmeid turvaliselt, tehti suurem osa analüüsist kinnises keskkonnas keelemudeliga Llama-3.1-70B. Võrdluseks kasutati ka tuntud mudelit GPT-4o, kuid viimasele anti analüüsimiseks vaid selline tekst, mis oli käsitsi üle vaadatud ja tundlikust infost täielikult puhastatud.

Tulemused olid muljetavaldavad. Meditsiinieksperdid kinnitasid, et ülikooli serveris töötav keelemudel tegi oma tööd väga hästi: vajalike fraaside leidmise täpsus oli lausa 93–98 protsenti ja katkestamise põhjuste tuvastamine õnnestus 95–96 protsendi täpsusega.

Miks siis ravimid apteeki jäävad?

Andmete analüüsimisel koorus välja, et kõige sagedamini jätsid patsiendid ravi katki ravimite kõrvaltoimete tõttu. Kolesteroolitaset langetavate statiinide puhul moodustasid kõrvaltoimed lausa 70 protsenti kõigist ravi katkestamise dokumenteeritud põhjustest. Diabeediravimite puhul oli kõrvaltoimete osatähtsus ligi 45 protsenti, kuid nende ravimite puhul mängisid olulist rolli veel ravi ebapiisav mõju ja mitmesugused vastunäidustused.

Teadlaste sõnul peitub terviseandmetes märksa rohkem teavet, kui on kirjas vaid tuimades diagnoosides, retseptide nimekirjades või laboritulemustes. «Terviseandmetes on peidus ka killud sellest, kuidas ravi päriselt kulgeb. Patsientide kogemused, kõrvaltoimed ja ravi muutmise põhjused jõuavad sageli arsti märkmetesse, kuid jäävad tavapärastes andmeanalüüsides kasutamata,» rääkis Šuvalov.

Uuringu kõige kaalukamaks väärtuseks peetakse aga uudse meetodi loomist. Keelemudelite abil on nüüd võimalik muuta süsteemidele seni raskesti loetav olnud kliiniline vabatekst süstematiseeritud ja uuritavaks andmestikuks. Teadlastele ja arstidele annab see tulevikus võimaluse inimeste raviteekonda oluliselt paremini jälgida ning toetada Eestis tõenduspõhiste otsuste tegemist tervisepoliitikas.

Loe uuringust lähemalt teadusajakirjast Journal of Medical Internet Research.