Estudio de adquisición de datos con inteligencia artificial y fenotipado de pacientes con embolia pulmonar aguda (PEPITE)

Contexto :

Inteligencia Artificial: PNL, clustering y aprendizaje no supervisado:

La Inteligencia Artificial (IA) es un campo que combina la informática con conjuntos de datos, con el objetivo de permitir que una máquina imite las capacidades cognitivas del ser humano. El aprendizaje automático (ML) y su subdominio de aprendizaje profundo, que utiliza capas de neuronas, son dos subdominios principales de la IA. La diferencia radica en el entrenamiento de cada algoritmo. ML utiliza dos métodos diferenciados: el aprendizaje supervisado, que implica entrenar un modelo con datos de entrada y salida conocidos para predecir resultados futuros, y el aprendizaje no supervisado implica el descubrimiento de patrones ocultos y estructuras subyacentes intrínsecas en los datos de entrada. El procesamiento del lenguaje natural (PNL) también es un subcampo de la IA, pero generalmente requiere que el aprendizaje automático sea eficaz. La PNL procesa datos lingüísticos del mundo real para darles sentido de una manera que una computadora pueda entender.

La PNL tiene dos etapas principales: preprocesamiento de datos y desarrollo de algoritmos. Los lenguajes de programación como Python o R son muy utilizados para estas técnicas.

El objetivo de los métodos de agrupamiento es agrupar un conjunto de individuos en clases homogéneas. Se pueden utilizar métodos no jerárquicos para clasificar datos masivos, pero requieren fijar de antemano el número de clases. Los métodos jerárquicos, cuyo cálculo requiere más tiempo, constan de una serie de particiones anidadas representadas por un árbol de agrupación. El número óptimo de clases se puede determinar a posteriori leyendo el árbol. En presencia de un gran número de individuos, es común combinar técnicas jerárquicas y no jerárquicas. Cuando las clases no se conocen claramente de antemano, se utilizan métodos de agrupamiento con aprendizaje no supervisado (ML) [1]. Los conjuntos de datos generalmente se dividen en tres conjuntos de datos separados: datos de entrenamiento, utilizados para entrenar los algoritmos elegidos; datos de validación, utilizados para comprobar el rendimiento del resultado; y datos de prueba, utilizados sólo al final del proceso.

Enfermedad tromboembólica venosa:

La enfermedad tromboembólica venosa (TEV) es una patología común cuya incidencia se conoce imperfectamente, pero aumenta con la edad, alcanzando el 1% en sujetos mayores de 75 años. En Francia, se estima que cada año más de 100.000 personas desarrollan TEV, lo que es responsable de entre 5.000 y 10.000 muertes. La trombosis venosa profunda (TVP) y la embolia pulmonar (EP) son los dos tipos principales de TEV. La TVP corresponde a la oclusión parcial o total de una vena profunda por un trombo, localizado con mayor frecuencia en los miembros inferiores. La PE se define como la oclusión parcial o total de las arterias pulmonares o sus ramas. El principal riesgo de TVP es la aparición de EP, que puede poner en peligro la vida. Otras complicaciones específicas del TEV y posibles resultados adversos incluyen la recurrencia tromboembólica (ya sea TVP o EP), hipertensión pulmonar tromboembólica crónica y síndrome postrombótico en la TVP. El tratamiento actual del TEV se basa principalmente en la terapia anticoagulante. La duración del tratamiento varía según el riesgo estimado de recurrencia si se retira el tratamiento, dependiendo esencialmente de si existe o no un factor de riesgo importante previo [2]. En este subgrupo de pacientes con EP, en ausencia de factores de riesgo importantes, el riesgo de recurrencia se considera intermedio y varía según si el evento es un primer episodio o una recurrencia, y si hay secuelas pulmonares obstructivas o no [3]. Más recientemente, la estrategia terapéutica se ha vuelto más compleja, con la inclusión de factores de riesgo menores que modulan la duración del tratamiento sin evidencia relevante. Además, independientemente de la duración del tratamiento, la dosis de anticoagulación después del sexto mes es incierta para los anticoagulantes orales directos.

Hipótesis:

Esta investigación se presenta bajo dos ejes distintos:

EJE 1: El objetivo de este trabajo será inicialmente desarrollar y validar herramientas de inteligencia artificial, utilizando ML y PNL, para adquirir y estructurar datos de informes médicos basados ​​en texto en el departamento de medicina vascular del Centro Hospitalario Intercomunal de Toulon - la Seyne. sur mer (CHITS). Este proyecto se basará en el trabajo realizado anteriormente por el Departamento de Epidemiología, Bioestadística y Datos de Salud (DEBDS) del Centro Antoine Lacassagne (CAL) centrándose en los cánceres de mama y tiroides [5,6,7]. La idea es validar la transferibilidad de estas herramientas a otro establecimiento con diferentes patologías y profesionales, específicamente el departamento de medicina vascular de CHITS.

Implementar un método de adquisición de datos estructurados utilizando técnicas de inteligencia artificial directamente a partir de informes médicos textuales dentro de nuestro hospital es un desafío. Si se demuestra su desempeño y esta herramienta se implementa de manera permanente y rutinaria, proporcionaría una fuente de información fácilmente explotable. La diversidad de campos e intereses en la investigación clínica en nuestro establecimiento puede hacer que el despliegue en otros departamentos sea un objetivo alcanzable. Para CHITS, este es el primer paso en el proceso de construcción de un almacén de datos de salud (HDW).

EJE 2: Posteriormente, el objetivo será utilizar la base de datos para identificar fenotipos clínicamente relevantes en pacientes con embolia pulmonar aguda. Se utilizarán métodos de agrupamiento jerárquico combinados con aprendizaje no supervisado (aprendizaje automático) para obtener grupos de pacientes homogéneos en el momento del diagnóstico. Evaluar su pronóstico a los 6 meses (recurrencia o hipertensión pulmonar tromboembólica crónica), teniendo en cuenta los 3 primeros meses de tratamiento anticoagulante, proporcionaría una ayuda en la toma de decisiones médicas.

Nunca antes se había realizado un análisis de la evolución de seis meses de grupos homogéneos de pacientes con embolia pulmonar aguda, construidos utilizando métodos de agrupamiento con aprendizaje no supervisado. Es probable que este proyecto innovador dentro de una infraestructura hospitalaria a gran escala ofrezca a los médicos una ayuda en la toma de decisiones y a los pacientes una forma de gestión terapéutica científicamente validada.

Material y métodos :

Esta investigación incluirá una parte retrospectiva y otra prospectiva. La parte retrospectiva incluirá a los pacientes que han ingresado en CHITS por embolia pulmonar aguda desde 2019 (alrededor de 1900 pacientes). Para la parte prospectiva, se prevé incluir pacientes con mismas características durante los años 2024 y 2025 (aproximadamente 765 pacientes). Si la información individual no está disponible o se oponen al procesamiento de sus datos para el 25% de los pacientes, en este ensayo se podría analizar un gran volumen de datos de más de 2500 pacientes. Esta investigación no tendrá ningún impacto en la atención actual al paciente. Los datos de las consultas y diversos exámenes realizados como parte de la atención se recopilarán durante los seis meses posteriores al diagnóstico para cumplir con los objetivos de la investigación.

EJE 1: El método de adquisición de datos utilizado en esta investigación será doble. Los datos de los pacientes incluidos en la investigación clínica se recopilarán de forma convencional mediante un formulario de informe de caso, luego se centralizarán y organizarán en una base de datos de referencia llamada "Gold Standard" y los ingresará un técnico de investigación clínica. La segunda técnica de adquisición de datos, utilizando métodos de PNL, se desarrollará en varias etapas, en paralelo con el enfoque anterior. En primer lugar, a la extracción de los informes médicos (IM) en formato texto le seguirá una etapa de seudonimización. Luego, el conjunto de datos de MR se preparará para capacitación y validación eliminando caracteres especiales e identificando segmentos de intereses. Luego, se anotará MR con BRAT para identificar los términos que se utilizarán para completar la base de datos. Se aplicarán guiones de formación al 70% de los pacientes para crear modelos de PNL. Durante esta fase de formación, se redactarán reglas médicas de posprocesamiento para traducir la información identificada por los modelos en datos estructurados. El guión así finalizado se aplica a la base de validación con una evaluación de su desempeño. Después de los ajustes necesarios, el rendimiento del script final se evalúa en la base de datos de prueba. El rendimiento se evaluará comparando los datos obtenidos automáticamente con la base de datos manual Gold Standard.

EJE 2: Los métodos de agrupamiento no supervisados ​​utilizados en este estudio combinan métodos jerárquicos y no jerárquicos. Siguiendo la agrupación jerárquica ascendente, se utiliza el índice de Ward para determinar el número de grupos de interés. Luego se considera que los centroides de estos grupos inicializan un algoritmo de partición, como el algoritmo k-means. Una vez determinados los grupos médicamente más relevantes se compara la evolución a los seis meses (estable, agravamiento o progresión). Los factores que influyen en la progresión durante los primeros tres meses de tratamiento también pueden incluirse en un modelo estadístico, dependiendo de su capacidad para predecir el agravamiento. Todas estas exploraciones deberían proporcionar una base para la toma de decisiones médicas.