Katra ārsta vizīte rada divu veidu ierakstus. Vienā pusē ir strukturēti lauki — norēķinu kodi, laboratorisko analīžu rezultāti un izrakstīto zāļu ieraksti. Otrā ir ārsta rakstītā piezīme, kurā aprakstīts, ko pacients stāstījis, kā viņš jūtas, kādas blakusparādības minējis un kāpēc mainīta ārstēšana.

Lielākā daļa medicīniskās informācijas atrodas tieši šajās piezīmēs, taču medicīniskajos pētījumos tā līdz šim bieži nav izmantota. Pētījumā, kas publicēts žurnālā Nature Medicine, RespondHealth pētnieki kopā ar Drexel universitātes ārstiem un statistiķiem, kā arī kolēģiem no Stenfordas universitātes, Maiami universitātes, Pensilvānijas universitātes un Ikānas Medicīnas skolas pie Mount Sinai aprakstījuši sistēmu, kas rakstīto tekstu pārvērš analizējamos datos. Katrs iegūtais fakts tiek sasaistīts ar precīzu teikumu, no kura tas ņemts.

Sistēmas precizitāti pārbaudīja ārsti

Galvenais izaicinājums, analizējot medicīniskos ierakstus ar mākslīgo intelektu, ir pareizi izprast noliegumus un kontekstu. Ja sistēma frāzi “noliedz sāpes krūtīs” kļūdaini interpretētu kā “sāpes krūtīs”, tā radītu pacienta slimības vēsturi, kas patiesībā nav notikusi.

Pētnieki šo risku pārbaudīja, liekot neatkarīgu iestāžu sertificētiem ārstiem salīdzināt sistēmas rezultātus ar oriģinālajām piezīmēm pa rindai. Viens ārsts pārskatīja 100 vizītes, kas bija iegūtas no 96 pakalpojumu sniedzējiem, 86 praksēm un četrām elektronisko veselības karšu sistēmām. Otrs ārsts neatkarīgi pārbaudīja daļu šo vizīšu, bet trešais, nezinot abu iepriekšējo vērtētāju slēdzienus, atrisināja domstarpības un izveidoja galīgo salīdzināšanas standartu.

Salīdzinājumā ar šo standartu sistēma sasniedza 99,4% rezultātu kombinētajā rādītājā, kas vērtēja gan ziņoto faktu pareizību, gan to, cik lielu daļu no piezīmēs esošās informācijas tā uztvēra. Paši ārsti savā starpā vienojās par 94,7% no kopīgi pārbaudītajiem apgalvojumiem. Pieci ārsti aptuveni 120 karšu pārskatīšanai iztērēja 70 stundas, kamēr sistēma katru karti analizēja dažu sekunžu laikā.

GLP-1 zāļu lietotāju rezultāti atšķīrās

Lai parādītu, ko šāda pieeja ļauj noskaidrot, pētnieki to izmantoja glikagonam līdzīgā peptīda-1 jeb GLP-1 receptoru agonistu analīzē. Šajā zāļu klasē ietilpst semaglutīds un tirzepatīds.

Pētnieki sekoja vairāk nekā 16 000 pieaugušo, kuri ikdienas ambulatorajā aprūpē sāka lietot GLP-1 medikamentus. Daļa tos lietoja diabēta ārstēšanai, bet citi — svara samazināšanai. Divas galvenās tendences bija pretējas.

Cilvēki, kuriem ārstēšanas sākumā bija veselīgāks cukura līmenis asinīs, zaudēja vairāk svara un sasniedza rezultātu ātrāk. Pēc 12 mēnešiem cilvēki ar normālu cukura līmeni bija zaudējuši aptuveni 7,7% ķermeņa svara, savukārt pacienti ar slikti kontrolētu diabētu — aptuveni 2,7%. Lai sasniegtu 5% svara zudumu, pirmajai grupai bija vajadzīgas aptuveni 210 dienas, bet otrajai — aptuveni 413 dienas.

Cukura līmenis asinīs uzlabojās visvairāk un visātrāk tiem, kuri ārstēšanu sāka ar sliktāko kontroli. Rezultāti atšķīrās arī pēc dzimuma un vecuma: pēc 12 mēnešiem sievietes bija zaudējušas aptuveni 6,1% ķermeņa svara, bet vīrieši — 4,0%; cilvēki vecumā no 20 līdz 39 gadiem — aptuveni 8,1%, bet 40 gadus veci un vecāki pieaugušie — 5,1%.

Pētnieki uzsver, ka šis bija novērojumu pētījums ar pacientiem parastā klīniskajā aprūpē, nevis kontrolēts klīnisks izmēģinājums. Tāpēc tas pats par sevi nevar pierādīt cēloņsakarību, taču parāda, kā medikamenti darbojas ārpus stingri kontrolētiem pētījumu apstākļiem.

Rakstītajās piezīmēs atrasta arī informācija par depresiju un sāpēm

Pētījumā analizēja arī rādītājus, kas kodētajos medicīniskajos datos gandrīz nekad neparādās, jo tiem nav atbilstoša norēķinu koda. Pacientiem ar dokumentētu sākotnējo rādītāju depresijas simptomi visvairāk mazinājās tiem, kuri pētījuma sākumā bija visvairāk nomākti.

Grupā ar vidēji smagiem vai smagiem depresijas simptomiem sākumā rādītāji 12 mēnešu laikā samazinājās par aptuveni sešiem punktiem standarta deviņu jautājumu skrīninga skalā. Samazinājās arī pašu ziņotā sāpju intensitāte, visizteiktāk pacientiem, kuriem sākotnēji bija stiprākās sāpes. Mazākajā pacientu grupā, kurai vidukļa apkārtmērs bija fiksēts, gada laikā tas samazinājās par aptuveni 2,7 collām jeb 6,9 centimetriem.

Šie rezultāti ir provizoriski un balstīti uz samērā nelielu pacientu skaitu, tāpēc autori tos pasniedz kā novērojumus turpmākai izpētei, nevis galīgus secinājumus. Šādus rādītājus vispār nebūtu iespējams analizēt, ja sistēma nespētu nolasīt klīniskās piezīmes, jo tie bija ierakstīti brīvā tekstā, nevis datubāzes laukos.

Liela daļa būtiskās informācijas bija tikai piezīmēs

Visā pētījuma populācijā 70% analīzē izmantoto cukura līmeņa asinīs mērījumu tika atrasti tikai rakstītajās piezīmēs. Aptuveni trešdaļa pierādījumu, ka pacients patiešām lietoja GLP-1 medikamentu, bija pieejama tikai piezīmēs. Tūkstošiem pacientu varēja iekļaut analīzē vienīgi tāpēc, ka no aprakstošā teksta tika atgūti viņu sākotnējie mērījumi; izmantojot tikai kodētos laukus, šie pacienti no analīzes būtu izslēgti.

“Lielākā daļa no tā, ko ārsts zina par pacientu, ir uzrakstīta teikumos, nevis saglabāta laukos,” sacīja RespondHealth izpilddirektore un dibinātāja, pētījuma vadošā autore Viki Seiferta-Margolisa. Viņa norādīja, ka gadu desmitiem pierādījumi par medikamentu darbību reālajā pasaulē veidoti, izmantojot tikai daļu no medicīniskās kartes, bet tagad pārējo informāciju iespējams padarīt analizējamu un vienlaikus pārbaudāmu ārstam.

Drexel universitātes Medicīnas koledžas dekāns un pētījuma vecākais autors Čārlzs B. Kērnss uzsvēra, ka mērķis nav aizstāt pārbaudītāju ar mašīnu. Būtiski esot tas, ka katru sistēmas radīto skaitli var izsekot līdz teikumam kartē, kas to pamato, un ārsts var apskatīt pierādījumu un tam nepiekrist.

Pēc autoru domām, metode nav paredzēta tikai GLP-1 medikamentu vai diabēta analīzei. To var izmantot jebkuras slimības izpētē, ja svarīgākā informācija ir fiksēta aprakstošā formā — un tā medicīnā ir lielākajā daļā gadījumu. Pētījuma autori ir Edvards Kims un kolēģi, bet pētījums “Computable longitudinal patient journeys from structured and unstructured EHR data” publicēts žurnālā Nature Medicine 2026. gadā; DOI: 10.1038/s41591-026-04695-x.