Gegevensverzamelingsonderzoek met kunstmatige intelligentie en fenotypering van patiënten met acute longembolie (PEPITE)

Context :

Kunstmatige intelligentie: NLP, clustering en onbewaakt leren:

Kunstmatige Intelligentie (AI) is een vakgebied dat computerwetenschap combineert met datasets, met als doel een machine in staat te stellen de cognitieve vermogens van de mens te imiteren. Machine learning (ML) en het subdomein deep learning, waarbij gebruik wordt gemaakt van lagen neuronen, zijn twee belangrijke subdomeinen van AI. Het verschil ligt in de training van elk algoritme. Bij ML worden twee verschillende methoden gebruikt: begeleid leren, waarbij een model wordt getraind op bekende input- en outputgegevens om toekomstige output te voorspellen, en onbewaakt leren omvat de ontdekking van verborgen patronen en intrinsieke onderliggende structuren in de invoergegevens. Natural Language Processing (NLP) is ook een subgebied van AI, maar vereist doorgaans dat ML effectief is. NLP verwerkt taalkundige gegevens uit de echte wereld om er betekenis aan te geven op een manier die een computer kan begrijpen.

NLP kent twee hoofdfasen: de voorverwerking van gegevens en de ontwikkeling van algoritmen. Voor deze technieken worden programmeertalen zoals Python of R veel gebruikt.

Het doel van clustermethoden is om een ​​groep individuen in homogene klassen te groeperen. Niet-hiërarchische methoden kunnen worden gebruikt om enorme hoeveelheden gegevens te classificeren, maar vereisen dat het aantal klassen vooraf wordt vastgelegd. Hiërarchische methoden, die meer tijd in beslag nemen om te berekenen, bestaan ​​uit een reeks geneste partities, weergegeven door een clusterboom. Het optimale aantal klassen kan achteraf worden bepaald door de boom te lezen. In aanwezigheid van een groot aantal individuen is het gebruikelijk om niet-hiërarchische en hiërarchische technieken te combineren. Wanneer klassen vooraf niet duidelijk bekend zijn, worden clustermethoden gebruikt bij onbewaakt leren (ML) [1]. Datasets worden over het algemeen onderverdeeld in drie onsamenhangende datasets: trainingsgegevens, gebruikt om de gekozen algoritme(n) te trainen; validatiegegevens, gebruikt om de prestatie van het resultaat te controleren; en testgegevens, die alleen aan het einde van het proces worden gebruikt.

Veneuze trombo-embolische ziekte:

Veneuze trombo-embolische ziekte (VTE) is een veel voorkomende pathologie waarvan de incidentie nog onvoldoende bekend is, maar toeneemt met de leeftijd en 1% bereikt bij personen ouder dan 75 jaar. In Frankrijk ontwikkelen naar schatting jaarlijks meer dan 100.000 mensen VTE, wat verantwoordelijk is voor tussen de 5.000 en 10.000 sterfgevallen. Diepe veneuze trombose (DVT) en longembolie (PE) zijn de twee belangrijkste typen VTE. DVT komt overeen met gedeeltelijke of totale occlusie van een diepe ader door een trombus, meestal gelokaliseerd in de onderste ledematen. PE wordt gedefinieerd als gedeeltelijke of totale occlusie van de longslagaders of hun vertakkingen. Het grootste risico op DVT is het optreden van PE, wat levensbedreigend kan zijn. Andere VTE-specifieke complicaties en mogelijke nadelige uitkomsten zijn onder meer trombo-embolisch recidief (DVT of PE), chronische trombo-embolische pulmonale hypertensie en post-trombotisch syndroom bij DVT. De huidige behandeling van VTE is voornamelijk gebaseerd op antistollingstherapie. De duur van de behandeling varieert afhankelijk van het geschatte risico op herhaling als de behandeling wordt stopgezet, voornamelijk afhankelijk van het al dan niet bestaan ​​van een eerdere grote risicofactor [2]. Bij deze subgroep van PE-patiënten wordt, bij afwezigheid van belangrijke risicofactoren, het risico op een recidief als intermediair beschouwd en varieert afhankelijk van het feit of de gebeurtenis een eerste episode of een recidief is, en of er al dan niet sprake is van obstructieve pulmonale gevolgen [3]. Meer recentelijk is de therapeutische strategie complexer geworden, waarbij kleine risicofactoren zijn opgenomen die de duur van de behandeling moduleren zonder relevant bewijs. Bovendien is de dosering van antistollingsmiddelen na de zesde maand, ongeacht de duur van de behandeling, onzeker voor directe orale anticoagulantia.

Hypotheses:

Dit onderzoek wordt gepresenteerd onder twee verschillende assen:

AS 1: Het doel van dit werk zal in eerste instantie zijn het ontwikkelen en valideren van hulpmiddelen voor kunstmatige intelligentie, met behulp van ML en NLP, voor het verwerven en structureren van gegevens uit op tekst gebaseerde medische rapporten op de afdeling vasculaire geneeskunde van het Centre Hospitalier Intercommunal de Toulon - la Seyne sur mer (CHITS). Dit project zal voortbouwen op eerder werk van de afdeling Epidemiologie, Biostatistiek en Gezondheidsgegevens (DEBDS) van het Centre Antoine Lacassagne (CAL), waarbij de nadruk ligt op borst- en schildklierkanker [5,6,7]. Het idee is om de overdraagbaarheid van deze hulpmiddelen naar een andere instelling met verschillende pathologieën en beoefenaars te valideren, met name de afdeling vasculaire geneeskunde van CHITS.

Het implementeren van een methode voor het verkrijgen van gestructureerde gegevens met behulp van kunstmatige intelligentietechnieken rechtstreeks uit tekstuele medische rapporten binnen ons ziekenhuis is een uitdaging. Als de prestaties ervan worden bewezen en dit instrument permanent en routinematig wordt geïmplementeerd, zou het een gemakkelijk te exploiteren bron van informatie opleveren. De diversiteit aan vakgebieden en interesses in het klinisch onderzoek in onze vestiging kan inzet op andere afdelingen een haalbaar doel maken. Voor CHITS is dit de eerste stap in het proces van het bouwen van een Health Data Warehouse (HDW).

AS 2: Vervolgens zal het doel zijn om de database te gebruiken om klinisch relevante fenotypes te identificeren bij patiënten met acute longembolie. Hiërarchische clustermethoden gecombineerd met onbewaakt leren (machine learning) zullen worden gebruikt om groepen patiënten te verkrijgen die homogeen zijn bij de diagnose. Het evalueren van hun prognose na 6 maanden (recidief of chronische trombo-embolische pulmonale hypertensie), rekening houdend met de eerste 3 maanden van de behandeling met antistollingsmiddelen, zou een hulpmiddel zijn bij de medische besluitvorming.

Een analyse van de zes maanden durende evolutie van homogene patiëntengroepen met acute longembolie, opgebouwd met behulp van clustermethoden met onbewaakt leren, is nog nooit eerder uitgevoerd. Dit innovatieve project binnen een grootschalige ziekenhuisinfrastructuur zal artsen waarschijnlijk een hulpmiddel bij het nemen van beslissingen bieden, en patiënten een wetenschappelijk gevalideerde vorm van therapeutisch management.

Materiaal en methoden:

Dit onderzoek zal een retrospectief en een prospectief deel omvatten. In het retrospectieve deel zullen patiënten worden opgenomen die sinds 2019 in CHITS zijn opgenomen vanwege een acute longembolie (circa 1900 patiënten). Voor het prospectieve deel is het de bedoeling om in de jaren 2024 en 2025 patiënten met dezelfde kenmerken te includeren (circa 765 patiënten). Als er voor 25% van de patiënten geen individuele informatie beschikbaar is of als zij bezwaar maken tegen de verwerking van hun gegevens, zou in dit onderzoek mogelijk een grote hoeveelheid gegevens van ruim 2.500 patiënten kunnen worden geanalyseerd. Dit onderzoek zal geen impact hebben op de huidige patiëntenzorg. Gegevens uit consulten en diverse onderzoeken die in het kader van de zorg worden uitgevoerd, worden gedurende zes maanden na de diagnose verzameld om aan de onderzoeksdoelstellingen te voldoen.

AS 1: De data-acquisitiemethode die in dit onderzoek wordt gebruikt, zal tweeledig zijn. Gegevens van patiënten die deelnemen aan klinisch onderzoek zullen op conventionele wijze worden verzameld met behulp van een casusrapportformulier, vervolgens gecentraliseerd en georganiseerd in een referentiedatabase genaamd "Gold Standard", en ingevoerd door een klinisch onderzoekstechnicus. De tweede techniek van data-acquisitie, waarbij gebruik wordt gemaakt van NLP-methoden, zal in verschillende fasen verlopen, parallel aan de vorige aanpak. Eerst zal de extractie van medische rapporten (MR) in tekstformaat worden gevolgd door een fase van pseudonimisering. De MR-dataset wordt vervolgens voorbereid voor training en validatie door speciale tekens te verwijderen en interessesegmenten te identificeren. Vervolgens wordt MR geannoteerd met BRAT om de termen te identificeren die zullen worden gebruikt om de database te vullen. Trainingsscripts zullen op 70% van de patiënten worden toegepast om NLP-modellen te creëren. Tijdens deze trainingsfase zullen medische nabewerkingsregels worden geschreven om de door de modellen geïdentificeerde informatie te vertalen naar gestructureerde gegevens. Het aldus voltooide script wordt toegepast op de validatiebasis met een evaluatie van de prestaties ervan. Na eventuele noodzakelijke aanpassingen worden de prestaties van het definitieve script geëvalueerd in de testdatabase. De prestaties worden beoordeeld door automatisch verkregen gegevens te vergelijken met de handmatige Gold Standard-database.

AS 2: Ongecontroleerde clusteringmethoden die in deze studie worden gebruikt, combineren hiërarchische en niet-hiërarchische methoden. Na de hiërarchische oplopende clustering wordt de Ward-index gebruikt om het aantal interessante groepen te bepalen. Vervolgens wordt aangenomen dat de zwaartepunten van deze groepen een partitie-algoritme initialiseren, zoals het k-means-algoritme. Zodra de meeste medisch relevante groepen zijn bepaald, wordt de evolutie over zes maanden (stabiel, verergering of vooruitgang) vergeleken. Factoren die de progressie gedurende de eerste drie maanden van de behandeling beïnvloeden, kunnen ook in een statistisch model worden opgenomen, afhankelijk van hun vermogen om de verergering te voorspellen. Al deze verkenningen moeten een basis bieden voor medische besluitvorming.