SynthEHR-eviction: ulepszanie wykrywania eksmisji jako SDoH za pomocą syntetycznych danych EHR wspomaganych przez LLM

Dlaczego problemy mieszkaniowe powinny znaleźć się w dokumentacji medycznej

Wypchnięcie z własnego domu może zniszczyć zdrowie, a mimo to większość systemów opieki zdrowotnej ledwie to rejestruje. Ten artykuł opisuje nowy sposób nauczenia sztucznej inteligencji rozpoznawania oznak eksmisji i powiązanych problemów społecznych w notatkach lekarzy. Przekształcając niewielką ilość pracy ekspertów w duży, realistyczny zestaw treningowy, podejście może pomóc systemom ochrony zdrowia wcześniej znajdować osoby zagrożone i łączyć je z pomocą mieszkaniową oraz wsparciem społecznym.

Kiedy utrata domu szkodzi zdrowiu

Eksmisja to coś więcej niż zmiana adresu. Wiąże się z bezdomnością, bezrobociem, depresją, a nawet wyższą śmiertelnością, ze szczególnie silnym wpływem na grupy zmarginalizowane i w czasie kryzysów takich jak pandemia COVID-19. Jednak w obecnych elektronicznych rekordach zdrowotnych informacje o utracie mieszkania lub groźbie eksmisji zwykle występują tylko w notatkach wolnego tekstu, a nie w standardowych polach czy kodach. Utrudnia to szpitalom, badaczom i decydentom rozpoznanie, gdzie dochodzi do eksmisji, kogo dotyczy i kiedy trzeba interweniować.

Tworzenie realistycznych „syntetycznych” historii pacjentów

Ponieważ rzeczywiste notatki medyczne jednoznacznie opisujące eksmisję są rzadkie i wrażliwe, autorzy stworzyli pipeline nazwany SynthEHR-Eviction do generowania realistycznych, lecz w pełni syntetycznych przykładów. Wyszli od sekcji dotyczących historii społecznej z prawdziwych not wypisowych i użyli dużych modeli językowych — systemów AI trenowanych na ogromnych zbiorach tekstów — by przepisać je tak, aby każda notatka odzwierciedlała konkretną sytuację mieszkaniową lub społeczną. Eksperci precyzyjnie zdefiniowali 14 kategorii, w tym szczegółowe etapy eksmisji takie jak „oczekująca”, „wzajemne porozumienie o zakończeniu najmu” oraz „eksmisja przeszła vs. aktualna”, a także powiązane problemy jak bezdomność, brak żywności czy trudności z opłaceniem rachunków. W iteracyjnym procesie z udziałem człowieka klinicyści przeglądali próbki, wskazywali błędy i przekazywali ustrukturyzowaną informację zwrotną do procesu formułowania promptów, aż każdy AI «augmenter» generował wysoce dokładne notatki z minimalną dwuznacznością. Efektem był duży publiczny zbiór zawierający 8 000 syntetycznych not treningowych oraz ponad 600 starannie oznakowanych not testowych mieszających przypadki syntetyczne z zanonimizowanymi rzeczywistymi przykładami zaczerpniętymi z głównych baz badawczych.

Nauczanie komputerów czytania między wierszami

Na bazie tych syntetycznych historii zespół zbudował zautomatyzowany system anotacji, który nie tylko przypisuje kategorię, lecz także generuje krok po kroku wyjaśnienie swojego rozumowania. Korzystając z ram DSPy, zoptymalizowali promptowanie tak, że AI najpierw decyduje, czy dana notatka w ogóle dotyczy eksmisji, a następnie kieruje ją albo do szczegółowego klasyfikatora eksmisji, albo do klasyfikatora innych ryzyk społecznych, takich jak problemy z transportem czy brak żywności. Ta konstrukcja odzwierciedla sposób, w jaki czytelnik ludzki mógłby najpierw zapytać „Czy wspomniano o eksmisji?”, a dopiero potem przyporządkować sprawę do bardziej szczegółowej kategorii. Aby ograniczyć pracę ręczną, badacze porównali pełne ludzkie przepisanie i oznaczenie 8 000 not — ponad 260 godzin pracy — z ich workflow wspomaganym przez AI, który osiągnął porównywalną jakość danych przy mniej niż sześciu godzinach pracy ekspertów, co stanowi redukcję o 80%.

Jak dobrze działają modele

Wyposażeni w SynthEHR-Eviction, autorzy dostrojili różne otwartoźródłowe modele językowe i porównali je z systemami komercyjnymi oraz starszymi modelami biomedycznymi. W prostym zadaniu decyzji, czy w ogóle wspomniano eksmisję, wiele modeli poradziło sobie dobrze, ale dostrojone duże modele językowe i dostrojona odmiana GPT-4 osiągnęły najwyższe wyniki. Trudniejszym testem było rozróżnienie między siedmioma niuansowanymi statusami eksmisji oraz oddzielnym zestawem ryzyk społecznych niezwiązanych z eksmisją w trzech zbiorach danych: notatkach syntetycznych, prawdziwych notatkach szpitalnych i długich raportach klinicznych. Tutaj dostrojone otwarte modele, takie jak Qwen2.5 i LLaMA-3, dorównywały lub nieco przewyższały zoptymalizowane GPT-4, osiągając makro-F1 — ogólną równowagę precyzji i czułości — około 0,89 dla eksmisji i ponad 0,90 dla innych ryzyk społecznych. Mniejsze modele z zaledwie trzema miliardami parametrów również dobrze się spisywały po dostrojeniu, co sugeruje, że wydajne i przystępne systemy można wdrożyć w środowiskach o ograniczonej mocy obliczeniowej.

Dlaczego ślady rozumowania i prawdziwe dane wciąż są ważne

Badanie pokazuje, że wyjaśnienia pomagają niektórym modelom bardziej niż innym. Gdy dane treningowe zawierały krótkie, jawne rozumowanie wyjaśniające, dlaczego notatka sygnalizuje dany status eksmisji, mniejsze modele poprawiały się zauważalnie, podczas gdy największe modele zmieniały się niewiele, co sugeruje, że już zakodowały dużą część tej logiki. Te ślady rozumowania ułatwiają też ekspertom przegląd decyzji modelu, choć autorzy zastrzegają, że wyjaśnienia nie zawsze są całkowicie wiernym odzwierciedleniem faktycznego procesu decyzyjnego modelu. Kolejne kluczowe spostrzeżenie to to, że modele trenowane wyłącznie na notatkach syntetycznych mają kłopoty w obliczu chaotycznego, nieuporządkowanego stylu pisania z prawdziwego świata. Proste wymieszanie umiarkowanej ilości rzeczywistych not szpitalnych lub raportów przypadków znacząco poprawiło wyniki w tych domenach, podkreślając, że dane syntetyczne są potężne, ale same w sobie nie wystarczają.

Od ukrytego ryzyka do widocznej pomocy

Podsumowując, artykuł pokazuje, że starannie opracowane dane syntetyczne, w połączeniu z ukierunkowanym nadzorem ekspertów, mogą zamienić rozproszone wzmianki o eksmisji i innych trudach w ustrukturyzowane sygnały, które komputery potrafią wykrywać na dużą skalę. Mówiąc prosto, system uczy się czytać między wierszami not lekarzy i sygnalizować, kiedy pacjent stoi w obliczu lub doświadczył utraty mieszkania bądź powiązanych obciążeń społecznych. Jeśli zintegrować takie narzędzia z elektronicznymi rekordami zdrowotnymi, mogą one pomóc klinicystom i pracownikom socjalnym wcześniej wychwycić osoby zagrożone i skierować je do pomocy mieszkaniowej, doradztwa finansowego czy wsparcia transportowego. Dzięki uczynieniu niewidocznej społecznej strony choroby bardziej widoczną, SynthEHR-Eviction otwiera drogę ku opiece zdrowotnej, która widzi i reaguje na pełen kontekst życia pacjentów.

Cytowanie: Yao, Z., Zhao, Y., Mitra, A. et al. SynthEHR-eviction: enhancing eviction SDoH detection with LLM-augmented synthetic EHR data. npj Digit. Med. 9, 292 (2026). https://doi.org/10.1038/s41746-026-02473-0

Słowa kluczowe: eksmisja, społeczne determinanty zdrowia, elektroniczne rekordy zdrowotne, dane syntetyczne, kliniczne przetwarzanie języka naturalnego