Med7 : un modèle clinique transférable de traitement du langage naturel pour les dossiers de santé électroniques (2023)

L'AVC est l'une des principales causes de décès et d'invalidité dans le monde. Les scores des National Institutes of Health Stroke Scale (NIHSS) dans les dossiers de santé électroniques (DSE), qui décrivent quantitativement les déficits neurologiques des patients dans le cadre d'un traitement fondé sur des données probantes, sont cruciaux dans les investigations cliniques liées à l'AVC. Cependant, le format de texte libre et le manque de normalisation entravent leur utilisation efficace. L'extraction automatique des scores d'échelle du texte libre clinique afin que sa valeur potentielle dans les études du monde réel soit réalisée est devenue un objectif important.

Cette étude vise à développer une méthode automatisée pour extraire les scores d'échelle à partir du texte libre des DSE.

Nous proposons une méthode de pipeline en deux étapes pour identifier les éléments du NIHSS et les scores numériques et valider sa faisabilité à l'aide d'une base de données de soins intensifs librement accessible : MIMIC-III (Medical Information Mart for Intensive Care III). Tout d'abord, nous utilisons MIMIC-III pour créer un corpus annoté. Ensuite, nous étudions les méthodes d'apprentissage automatique possibles pour deux sous-tâches, la reconnaissance d'items et de scores NIHSS et l'extraction de la relation item-score. Dans l'évaluation, nous effectuons des évaluations spécifiques à la tâche et de bout en bout et comparons notre méthode avec la méthode basée sur des règles en utilisant la précision, le rappel et les scores F1 comme mesures d'évaluation.

Nous utilisons tous les résumés de sortie disponibles des cas d'AVC dans MIMIC-III. Le corpus NIHSS annoté contient 312 cas, 2929 items d'échelle, 2774 scores et 2733 relations. Les résultats montrent que le meilleur score F1 de notre méthode était de 0,9006, obtenu en combinant BERT-BiLSTM-CRF et Random Forest, et il a surpassé la méthode basée sur des règles (score F1 = 0,8098). Dans la tâche de bout en bout, notre méthode a pu reconnaître avec succès l'item "1b niveau de conscience questions", le score "1" et leur relation "('1b niveau de conscience questions', '1', 'a de la valeur' ) » de la phrase « 1b niveau de conscience questions : ledit nom = 1 », alors que la méthode basée sur des règles ne le pouvait pas.

La méthode de pipeline en deux étapes que nous proposons est une approche efficace pour identifier les éléments, les scores et leurs relations du NIHSS. Avec son aide, les chercheurs cliniques peuvent facilement récupérer et accéder à des données d'échelle structurées, soutenant ainsi les études du monde réel liées à l'AVC.

Le traitement du langage naturel (NLP) est largement utilisé pour extraire des informations cliniques des dossiers de santé électroniques (DSE). Cependant, le manque de données annotées, d'outils automatisés et d'autres défis entravent la pleine utilisation de la PNL pour les DSE. Diverses techniques d'apprentissage automatique (ML), d'apprentissage en profondeur (DL) et de PNL sont étudiées et comparées pour comprendre de manière exhaustive les limites et les opportunités de cet espace.

Après avoir examiné 261 articles de 11 bases de données, nous avons inclus 127 articles pour une revue de texte intégral couvrant sept catégories d'articles : (1) classification des notes médicales, (2) reconnaissance d'entités cliniques, (3) résumé de texte, (4) apprentissage en profondeur (DL ) et l'architecture d'apprentissage par transfert, (5) l'extraction d'informations, (6) la traduction en langage médical et (7) d'autres applications PNL. Cette étude suit les lignes directrices PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses).

Le DSE était le type de données le plus couramment utilisé parmi les articles sélectionnés, et les ensembles de données étaient principalement non structurés. Diverses méthodes ML et DL ont été utilisées, la prédiction ou la classification étant l'application la plus courante de ML ou DL. Les cas d'utilisation les plus courants étaient : la classification internationale des maladies, neuvième révision (CIM-9), l'analyse des notes cliniques et la reconnaissance d'entités nommées (NER) pour les descriptions cliniques et la recherche sur les troubles psychiatriques.

Nous constatons que les modèles de ML adoptés n'ont pas été évalués de manière adéquate. De plus, le problème du déséquilibre des données est assez important, mais nous devons trouver des techniques pour résoudre ce problème sous-jacent. Les futures études devraient aborder les principales limites des études, en identifiant principalement la néphrite lupique, les tentatives de suicide, l'automutilation périnatale et la classification CIM-9.

Extrait de citation :

C'est l'objectif principal de la médecine de précision, qui a été rendue possible par la disponibilité toujours croissante de documents médicaux numérisés, souvent sous la forme de dossiers de santé électroniques (DSE) (Abul-Husn & Kenny, 2019, Rajkomar et al., 2018 ). Ces documents sont remplis par des infirmières et des médecins dans les services hospitaliers et contiennent des détails sur les admissions à l'hôpital (par exemple, anamnèses, diagnostics, traitements, admissions en USI) avec une approche non structurée ou semi-structurée (Kormilitzin et al., 2021, Negro-Calduch et al ., 2021, Gao et al., 2021). L'absence d'une approche/d'un cadre unifié pour compiler et gérer les notes cliniques, le manque de temps du personnel médical - qui est généralement impliqué dans des activités beaucoup plus importantes - entraînent inévitablement deux problèmes majeurs (Yoon et al., 2019) : (1) l'hétérogénéité des données provenant de différentes sources (c'est-à-dire les hôpitaux, les services ou même les professionnels de la santé) et (2) l'abondance d'abréviations et d'erreurs orthographiques qui, associées aux particularités du texte biomédical caractérisé par des mots polysémiques et des orthographes alternées, rendent extrêmement difficile pour récupérer automatiquement les informations de ces documents.

Extrait de citation :

Ces fichiers sont d'une grande valeur pour la recherche médicale car ils contiennent de riches informations sur les patients. Dans la présente étude, les dossiers des médicaments prescrits ainsi que les résultats des tests cognitifs, y compris les échelles de résultats de la santé de la nation (HoNOS), les scores d'évaluation cognitive de Montréal (MoCA) et les scores du mini-examen de l'état mental (MMSE) ont été extraits au moyen d'examens cliniques. modèles de traitement du langage naturel (TAL) [8–12]. Nous avons utilisé un système d'extraction de texte NLP conçu pour CRIS/OX et avons obtenu un score F1 de 92,8 % et 98,03 % pour le diagnostic et la médication respectivement [13].

UK Biobank (UKB) est largement utilisée pour enquêter sur les troubles de santé mentale et les expositions associées ; cependant, son applicabilité et sa pertinence dans un contexte clinique et les hypothèses requises n'ont pas été suffisamment et systématiquement étudiées. Ici, nous présentons la première étude de validation utilisant des données de soins secondaires sur la santé mentale avec un lien avec UKB d'Oxford - Clinical Record Interactive Search (CRIS) se concentrant sur la comparaison des informations démographiques, des résultats de diagnostic, des dossiers de médicaments et des résultats des tests cognitifs, avec des données manquantes et le biais implicite des deux ressources représentées.

Nous avons appliqué un modèle de traitement du langage naturel pour extraire des informations intégrées dans un texte non structuré à partir de notes cliniques et de pièces jointes. À l'aide d'un tableau de contingence, nous avons comparé les informations démographiques enregistrées dans UKB et CRIS. Nous avons calculé la valeur prédictive positive (VPP, proportion de cas de vrais positifs détectés) pour le diagnostic de santé mentale et les médicaments pertinents.

Parmi la cohorte de 854 sujets, les VPP pour tout diagnostic de santé mentale pour la démence, la dépression, le trouble bipolaire et la schizophrénie étaient de 41,6 % et étaient de 59,5 %, 12,5 %, 50,0 % et 52,6 %, respectivement. Les dossiers de médicaments autodéclarés à UKB avaient une VPP générale de 47,0 %, la prévalence des médicaments fréquemment prescrits pour chaque trouble de santé mentale typique étant considérablement différente des informations fournies par le CRIS.

UKB est hautement multimodal, mais avec des enregistrements de suivi limités, alors que CRIS offre un tableau clinique longitudinal à haute résolution avec plus de dix ans d'observations. Le couplage des deux ensembles de données réduira le biais d'auto-déclaration et augmentera de manière synergique diverses modalités en une ressource unifiée pour faciliter une recherche plus solide en santé mentale.

Les discussions sur les objectifs de soins sont une mesure importante de la qualité des soins palliatifs. Cependant, les discussions sur les objectifs de soins sont souvent documentées sous forme de texte libre dans divers endroits. Il est difficile d'identifier efficacement ces discussions dans le dossier de santé électronique (DSE).

Développer, former et tester une approche automatisée pour identifier les discussions sur les objectifs de soins dans le DSE, en utilisant le traitement du langage naturel (PNL) et l'apprentissage automatique (ML).

À partir des dossiers de santé électroniques d'un système de santé universitaire, nous avons recueilli un échantillon raisonné de 3183 notes de DSE (1435 notes de patients hospitalisés et 1748 notes de patients externes) de 1426 patients atteints d'une maladie grave entre 2008 et 2016, et avons examiné manuellement chaque note pour documenter les objectifs. discussions de soins. Séparément, nous avons développé un programme pour identifier les notes contenant la documentation des discussions sur les objectifs de soins à l'aide de la PNL et du ML supervisé. Nous avons estimé les caractéristiques de performance du programme NLP/ML sur 100 paires d'ensembles d'entraînement et de test partitionnés de manière aléatoire. Nous avons répété ces méthodes pour les sous-ensembles de patients hospitalisés uniquement et ambulatoires uniquement.

Sur 3183 notes, 689 contenaient de la documentation sur les discussions sur les objectifs de soins. La sensibilité moyenne du programme NLP/ML était de 82,3 % (ET 3,2 %) et la spécificité moyenne était de 97,4 % (ET 0,7 %). Les résultats PNL/ML avaient un rapport de vraisemblance positif médian de 32,2 (IQR 27,5–39,2) et un rapport de vraisemblance négatif médian de 0,18 (IQR 0,16–0,20). Les performances étaient meilleures dans les échantillons de patients hospitalisés que dans les échantillons de patients ambulatoires uniquement.

À l'aide de techniques de PNL et de ML, nous avons développé une nouvelle approche pour identifier les discussions sur les objectifs de soins dans le DSE. La PNL et le ML représentent une approche potentielle pour mesurer les discussions sur les objectifs de soins en tant que résultat de la recherche et mesure de la qualité.