Estudo de aquisição de dados com inteligência artificial e fenotipagem de pacientes com embolia pulmonar aguda (PEPITE)

Contexto:

Inteligência Artificial: PNL, clustering e aprendizagem não supervisionada:

A Inteligência Artificial (IA) é um campo que combina a ciência da computação com conjuntos de dados, com o objetivo de permitir que uma máquina imite as habilidades cognitivas do ser humano. O aprendizado de máquina (ML) e seu subdomínio de aprendizado profundo, que usa camadas de neurônios, são dois subdomínios principais da IA. A diferença está no treinamento de cada algoritmo. Dois métodos distintos são usados ​​pelo ML: aprendizagem supervisionada, que envolve treinar um modelo em dados de entrada e saída conhecidos para prever resultados futuros, e aprendizagem não supervisionada envolve a descoberta de padrões ocultos e estruturas subjacentes intrínsecas nos dados de entrada. O Processamento de Linguagem Natural (PNL) também é um subcampo da IA, mas geralmente requer que o ML seja eficaz. A PNL processa dados linguísticos do mundo real para entendê-los de uma forma que um computador possa entender.

A PNL possui duas etapas principais: pré-processamento de dados e desenvolvimento de algoritmos. Linguagens de programação como Python ou R são amplamente utilizadas para essas técnicas.

O objetivo dos métodos de agrupamento é agrupar um conjunto de indivíduos em classes homogêneas. Métodos não hierárquicos podem ser usados ​​para classificar dados massivos, mas exigem a fixação antecipada do número de classes. Os métodos hierárquicos, que consomem mais tempo para calcular, consistem em uma série de partições aninhadas representadas por uma árvore de cluster. O número ideal de classes pode ser determinado a posteriori lendo a árvore. Na presença de um grande número de indivíduos, é comum combinar técnicas não hierárquicas e hierárquicas. Quando as classes não são claramente conhecidas com antecedência, métodos de agrupamento são usados ​​com aprendizagem não supervisionada (ML) [1]. Os conjuntos de dados são geralmente divididos em três conjuntos de dados separados: dados de treinamento, usados ​​para treinar o(s) algoritmo(s) escolhido(s); dados de validação, utilizados para verificar o desempenho do resultado; e dados de teste, utilizados apenas no final do processo.

Doença tromboembólica venosa:

A doença tromboembólica venosa (TEV) é uma patologia comum cuja incidência é mal conhecida, mas aumenta com a idade, atingindo 1% em indivíduos com mais de 75 anos. Em França, estima-se que todos os anos mais de 100.000 pessoas desenvolvem TEV, que é responsável por entre 5.000 e 10.000 mortes. A trombose venosa profunda (TVP) e a embolia pulmonar (EP) são os dois principais tipos de TEV. A TVP corresponde à oclusão parcial ou total de uma veia profunda por um trombo, mais frequentemente localizado nos membros inferiores. EP é definida como oclusão parcial ou total das artérias pulmonares ou de seus ramos. O principal risco de TVP é a ocorrência de EP, que pode ser fatal. Outras complicações específicas do TEV e possíveis resultados adversos incluem recorrência tromboembólica (TVP ou EP), hipertensão pulmonar tromboembólica crónica e síndrome pós-trombótica na TVP. O manejo atual do TEV baseia-se principalmente na terapia anticoagulante. A duração do tratamento varia de acordo com o risco estimado de recorrência caso o tratamento seja suspenso, dependendo essencialmente da existência ou não de um fator de risco importante prévio [2]. Neste subgrupo de pacientes com EP, na ausência de fatores de risco maiores, o risco de recorrência é considerado intermediário e varia conforme o evento seja um primeiro episódio ou uma recorrência, e se há sequelas pulmonares obstrutivas ou não [3]. Mais recentemente, a estratégia terapêutica tornou-se mais complexa, com inclusão de fatores de risco menores que modulam a duração do tratamento sem evidências relevantes. Além disso, independentemente da duração do tratamento, a dosagem de anticoagulação além do sexto mês é incerta para os Anticoagulantes Orais Diretos.

Hipóteses:

Esta pesquisa é apresentada sob dois eixos distintos:

EIXO 1: O objetivo deste trabalho será inicialmente desenvolver e validar ferramentas de inteligência artificial, utilizando ML e PNL, para aquisição e estruturação de dados de relatórios médicos baseados em texto no departamento de medicina vascular do Centre Hospitalier Intercommunal de Toulon - la Seyne sur mer (CHITS). Este projeto terá como base o trabalho realizado anteriormente pelo Departamento de Epidemiologia, Bioestatística e Dados de Saúde (DEBDS) do Centro Antoine Lacassagne (CAL) com foco nos cânceres de mama e tireoide [5,6,7]. A ideia é validar a transferibilidade destas ferramentas para outro estabelecimento com diferentes patologias e profissionais, especificamente o departamento de medicina vascular do CHITS.

Implementar um método de aquisição de dados estruturados utilizando técnicas de inteligência artificial diretamente de relatórios médicos textuais em nosso hospital é um desafio. Se o seu desempenho for comprovado e esta ferramenta for implementada de forma permanente e rotineira, constituiria uma fonte de informação facilmente explorável. A diversidade de campos e interesses em pesquisa clínica em nosso estabelecimento pode tornar a implantação em outros departamentos uma meta alcançável. Para o CHITS, este é o primeiro passo no processo de construção de um Data Warehouse de Saúde (HDW).

EIXO 2: Posteriormente, o objetivo será utilizar o banco de dados para identificar fenótipos clinicamente relevantes em pacientes com embolia pulmonar aguda. Métodos de agrupamento hierárquico combinados com aprendizado não supervisionado (aprendizado de máquina) serão usados ​​para obter grupos de pacientes homogêneos no momento do diagnóstico. Avaliar o prognóstico aos 6 meses (recidiva ou hipertensão pulmonar tromboembólica crónica), tendo em conta os primeiros 3 meses de tratamento anticoagulante, ajudaria na tomada de decisão médica.

Uma análise da evolução de seis meses de grupos homogêneos de pacientes com embolia pulmonar aguda, construídos usando métodos de agrupamento com aprendizagem não supervisionada, nunca foi realizada antes. Este projeto inovador dentro de uma infraestrutura hospitalar de grande escala provavelmente oferecerá aos médicos um auxílio na tomada de decisões e aos pacientes uma forma de gestão terapêutica cientificamente validada.

Material e métodos :

Esta pesquisa incluirá uma parte retrospectiva e uma prospectiva. A parte retrospectiva incluirá pacientes que foram internados no CHITS por embolia pulmonar aguda desde 2019 (cerca de 1.900 pacientes). Para a parte prospectiva, está prevista a inclusão de pacientes com as mesmas características ao longo dos anos de 2024 e 2025 (aproximadamente 765 pacientes). Se as informações individuais não estiverem disponíveis ou se eles se opuserem ao processamento dos seus dados para 25% dos pacientes, um grande volume de dados sobre mais de 2.500 pacientes poderia potencialmente ser analisado neste ensaio. Esta pesquisa não terá impacto no atendimento atual ao paciente. Os dados das consultas e exames diversos realizados no âmbito do atendimento serão coletados durante seis meses pós-diagnóstico para atender aos objetivos da pesquisa.

EIXO 1: O método de aquisição de dados utilizado nesta pesquisa será duplo. Os dados dos pacientes incluídos na pesquisa clínica serão coletados convencionalmente por meio de um formulário de relato de caso, depois centralizados e organizados em um banco de dados de referência denominado “Padrão Ouro”, e inseridos por um técnico de pesquisa clínica. A segunda técnica de aquisição de dados, utilizando métodos de PNL, decorrerá em várias etapas, em paralelo com a abordagem anterior. Primeiramente, a extração dos laudos médicos (RM) em formato de texto será seguida de uma etapa de pseudonimização. O conjunto de dados MR será então preparado para treinamento e validação, removendo caracteres especiais e identificando segmentos de interesse. Em seguida, o MR será anotado com BRAT para identificar os termos que serão utilizados para preencher o banco de dados. Roteiros de treinamento serão aplicados em 70% dos pacientes para criação de modelos de PNL. Durante esta fase de treinamento, serão escritas regras médicas de pós-processamento para traduzir as informações identificadas pelos modelos em dados estruturados. O script assim finalizado é aplicado à base de validação com avaliação de seu desempenho. Após quaisquer ajustes necessários, o desempenho do script final é avaliado no banco de dados de teste. O desempenho será avaliado comparando os dados obtidos automaticamente com o banco de dados manual Gold Standard.

EIXO 2: Os métodos de agrupamento não supervisionado usados ​​neste estudo combinam métodos hierárquicos e não hierárquicos. Seguindo o agrupamento hierárquico ascendente, o índice de Ward é usado para determinar o número de grupos de interesse. Os centróides desses grupos são então considerados para inicializar um algoritmo de particionamento, como o algoritmo k-means. Uma vez determinados os grupos mais relevantes do ponto de vista médico, a evolução de seis meses (estável, agravamento ou progresso) é comparada. Os factores que influenciam a progressão durante os primeiros três meses de tratamento também podem ser incluídos num modelo estatístico, dependendo da sua capacidade de prever o agravamento. Todas estas explorações devem fornecer uma base para a tomada de decisões médicas.