Im Bereich der medizinischen Forschung ist es eine entscheidende, aber auch herausfordernde Aufgabe, relevante klinische Daten aus wissenschaftlichen Artikeln zu extrahieren. Eine von Therapyte durchgeführte Studie hatte zum Ziel, verschiedene Natural Language Processing (NLP) Modelle zur Automatisierung der Extraktion wichtiger Informationen zur chronisch obstruktiven Lungenerkrankung (COPD) aus einer Vielzahl wissenschaftlicher Literatur zu untersuchen.
COPD umfasst verschiedene Erkrankungen, die zu Atemwegsverengung und Atembeschwerden führen, darunter Emphysem und chronische Bronchitis. Etwa 36,5 Millionen Menschen in Europa leiden unter Atembeschwerden aufgrund von COPD, und viele bleiben unentdeckt oder unbehandelt. Aufgrund des enormen Wachstums der medizinischen Literatur ist der Einsatz effizienter Werkzeuge zur Extraktion relevanter klinischer Daten unerlässlich. Daher konzentrierte sich diese Studie darauf, verschiedene NLP-Tools zur Analyse der COPD-Literatur zu identifizieren und zu bewerten, um den Datenerfassungsprozess zu optimieren und die Suche nach Informationen zu verbessern.
Methodik
Die Studie umfasste mehrere Phasen:
A. Artikel-Extraktion: In dieser Phase wurden Artikel und Daten auf der Grundlage der in verschiedenen Quellen wie PubMed, Google Scholar und clinicaltrials.gov gefundenen Krankheitsklassifikationen gefiltert.
B. Artikel-Auswahl: In dieser Phase wurden zusätzliche Kriterien wie Behandlungsoptionen, Alter, Krankheitstyp, Geschlecht und Stadium klinischer Studien angewendet.
C. Erkennung von Entitäten und Beziehungen: Die anfängliche Qualität der ausgewählten Modelle reichte nicht aus, um die Projektziele zu erreichen. Um die Qualität zu verbessern, wurden die Modelle auf speziell erstellten Datensätzen trainiert. Für die Annotation von Entitäten und Beziehungen wurde INCEpTION verwendet. Die erfassten Parameter umfassten Spirometrie, Alpha-1-Antitrypsintestung, Pulsoximetrie, arterielle Blutgasanalyse, zielgerichtete Medikamentendosierung und Medikamententyp.
D. Feinabstimmung und Training: In dieser Phase wurden die Modelle auf vorbereiteten Datensätzen trainiert und optimiert, um ihre Effektivität zu maximieren. Die folgenden NLP-Modelle wurden im Projekt getestet: ClinicalTransformer, SynSPERT, BioBERT, EHR, RoBERTa, Electra und GPT Models.
E. Schlussfolgerungen und Evaluation: Die optimierten Modelle wurden auf alle Artikel angewendet und die Ergebnisse ausgewertet. Falls die Ergebnisse unbefriedigend waren, wurden die Phasen C und D wiederholt.
Herausforderungen
Die Studie stieß auf verschiedene Herausforderungen:
A. Analyse von tabellarischen Daten: Die automatische Analyse von tabellarischen Daten erwies sich als schwierig und erforderte manuelles Eingreifen.
B. Erkennung klinischer Ereignisse: Die Unterscheidung zwischen klinischen Ereignissen und Verbesserungen war bei den Modellen nicht besonders effektiv.
C. Seltene Parameter: Die Seltenheit bestimmter medizinischer Begriffe erschwerte den Trainingsprozess der Modelle.
Ergebnisse
Die aktuelle Studie zeigte, dass die Modelle in bestimmten Aufgabentypen besser abschnitten. Es wurde kein universelles Modell gefunden, das in allen Aufgabenbereichen am besten war. Das BioBERT-Modell, das mit medizinischen Daten trainiert wurde, erzielte jedoch die besten Ergebnisse bei der Erkennung von Entitäten mit einem durchschnittlichen F1-Score von 0,75. Die Qualität der Entitätsextraktion hing stark von der Häufigkeit des Auftretens in den Artikeln ab, was sich auf die Qualität der Trainingsdaten auswirkte. Der F1-Score war beispielsweise für häufig vorkommende Entitäten signifikant höher und erreichte einen Wert von 0,9. In Bezug auf die Analyse populärer Entitätsbeziehungen erzielte das ClinicalTransformers-Modell mit einem F1-Score von 0,83 die besten Ergebnisse. Dieses Modell wurde vom SynSPERT-Modell unterstützt, das sich in der Erkennung einzigartiger Beziehungen auszeichnete und einen F1-Score von 0,76 erzielte.
Zusammenfassung und zukünftige Richtungen
Zusammenfassend zeigten die BioBERT- und ClinicalTransformers-Modelle die höchste Genauigkeit. GPT-Modelle (vor GPT 3.0) wurden in der Studie nur für bestimmte Aufgaben verwendet, da sie zu diesem Zeitpunkt noch nicht so populär waren. Die breite Anwendung von GPT-Modellen in verschiedenen Aufgabenbereichen verspricht eine vielversprechende Zukunft für die Analyse klinischer Daten aus wissenschaftlichen Artikeln.
Referenzen:
1. Adam Benjafield, Daniela Tellez, Meredith Barrett, Rahul Gondalia, Carlos Nunez, Jadwiga Wedzicha, Atul Malhotra European Respiratory Journal 2021 58: OA2866; DOI: 10.1183/13993003.congress-2021.OA2866
2. Chronisch obstruktive Lungenerkrankung (COPD). Centers for Disease Control and Prevention. Abruf am 20. Dezember 2023, unter link
Über Therapyte
Therapyte bietet eine Vielzahl von Real-World-Evidence (RWE) Lösungen durch den Zugang zu Millionen von elektronischen Patientenakten. Therapyte entwickelt einzigartige KI-Algorithmen zur Sammlung und Auswahl von Daten aus Millionen von elektronischen Patientenakten (EPA). Intern entwickelte KI-gesteuerte Tools werden für Datenbereinigung, Auswahl, Harmonisierung und Validierung eingesetzt, um Informationen für umfassende Forschungsprojekte zu generieren. Um wertvolle Datensätze zu extrahieren, baut das Unternehmen ein breites Netzwerk von Gesundheitseinrichtungen und Datenanbietern aus den Regionen EU, EAEU, MENA und APAC auf. Weitere Informationen finden Sie auf therapyte.com.
FAQ:
1. Was ist das Ziel der von Therapyte vorgestellten Studie?
Das Ziel der Studie ist es, verschiedene Natural Language Processing (NLP) Modelle zur Automatisierung der Extraktion essentieller Informationen zur chronisch obstruktiven Lungenerkrankung (COPD) aus einer breiten Palette wissenschaftlicher Literatur zu bewerten.
2. Welche Haupterkrankungen sind mit COPD verbunden?
Zu den verschiedenen Erkrankungen, die unter COPD zusammengefasst werden, gehören Emphysem, chronische Bronchitis und andere Erkrankungen, die zu Atemwegsverengung und Atembeschwerden führen.
3. Welche Herausforderungen wurden in der Studie festgestellt?
Die Herausforderungen umfassten die automatische Analyse von tabellarischen Daten, die Unterscheidung zwischen klinischen Ereignissen und Verbesserungen sowie die Seltenheit bestimmter medizinischer Begriffe.
4. Welche NLP-Modelle zeigten die besten Ergebnisse?
Das BioBERT-Modell erzielte die besten Ergebnisse bei der Entitätserkennung, während das ClinicalTransformers-Modell die besten Ergebnisse bei der Analyse von Beziehungen zwischen Entitäten erzielte.
5. Was sind die zukünftigen Richtungen der Studie?
Zukünftige Richtungen der Studie beinhalten die weitere Anwendung von GPT-Modellen zur Analyse klinischer Daten aus wissenschaftlichen Artikeln.
6. Welche Referenzen wurden im Artikel angegeben?
Die angegebenen Referenzen sind: 1. Adam Benjafield, Daniela Tellez, Meredith Barrett, Rahul Gondalia, Carlos Nunez, Jadwiga Wedzicha, Atul Malhotra European Respiratory Journal 2021 58: OA2866; DOI: 10.1183/13993003.congress-2021.OA2866 und 2. Chronisch obstruktive Lungenerkrankung (COPD). Centers for Disease Control and Prevention.
Definitionen wichtiger Begriffe:
COPD (chronisch obstruktive Lungenerkrankung): Eine Gruppe von Lungenerkrankungen, die durch Atemwegsverengung, eingeschränkte Luftströmung und Atembeschwerden gekennzeichnet ist.
NLP (Natural Language Processing): Das Gebiet der Informatik, das sich mit der Analyse, dem Verständnis und der Generierung von menschlicher Sprache durch Computer befasst.
PubMed: Eine kostenlose Datenbank mit Zusammenfassungen und wissenschaftlichen Artikeln aus dem Bereich der Medizin.
Google Scholar: Eine Internet-Suchmaschine, die wissenschaftliche Literatur aus verschiedenen Fachbereichen indexiert.
ClinicalTrials.gov: Ein Register für klinische Forschungsstudien, die vom National Institutes of Health in den USA durchgeführt werden.
INCEpTION: Ein Tool zur Annotation von Entitäten und Beziehungen in Texten.
BioBERT: Ein NLP-Modell, das auf BERT (Bidirectional Encoder Representations from Transformers) basiert und speziell für medizinische Daten trainiert wurde.
ClinicalTransformers: Ein NLP-Modell, das auf Transformers basiert und zur Analyse medizinischer Daten verwendet wird.
GPT-Modelle: Generative Pre-trained Transformers (GPT) ist eine Familie von NLP-Modellen.
The source of the article is from the blog j6simracing.com.br