Datainsamlingsstudie med artificiell intelligens och fenotypning av patienter med akut lungemboli (PEPITE)

Sammanhang:

Artificiell intelligens: NLP, klustring och oövervakat lärande:

Artificiell intelligens (AI) är ett område som kombinerar datavetenskap med datamängder, med syftet att göra det möjligt för en maskin att imitera människans kognitiva förmågor. Maskininlärning (ML) och dess underdomän djupinlärning, som använder lager av neuroner, är två stora underdomäner av AI. Skillnaden ligger i träning av varje algoritm. Två utmärkande metoder används av ML: övervakat lärande, vilket innebär att man tränar en modell på kända in- och utdata för att förutsäga framtida utdata, och oövervakad inlärning involverar upptäckten av dolda mönster och inneboende underliggande strukturer i indata. Natural Language Processing (NLP) är också ett delområde av AI, men det kräver i allmänhet att ML är effektiv. NLP bearbetar verkliga språkliga data för att förstå det på ett sätt som en dator kan förstå.

NLP har två huvudsteg: dataförbehandling och algoritmutveckling. Programmeringsspråk som Python eller R används ofta för dessa tekniker.

Syftet med klustringsmetoder är att gruppera en uppsättning individer i homogena klasser. Icke-hierarkiska metoder kan användas för att klassificera massiva data men kräver att i förväg fixa antalet klasser. Hierarkiska metoder, som är mer tidskrävande att beräkna, består av en serie kapslade partitioner representerade av ett klustringsträd. Det optimala antalet klasser kan bestämmas i efterhand genom att läsa trädet. I närvaro av ett stort antal individer är det vanligt att kombinera icke-hierarkiska och hierarkiska tekniker. När klasser inte är tydligt kända i förväg, används klustringsmetoder med oövervakad inlärning (ML) [1]. Datauppsättningar är generellt uppdelade i tre disjunkta datauppsättningar: träningsdata, som används för att träna den eller de valda algoritmerna; valideringsdata som används för att kontrollera resultatet av resultatet; och testdata, som endast används i slutet av processen.

Venös tromboembolisk sjukdom:

Venös tromboembolisk sjukdom (VTE) är en vanlig patologi vars incidens är ofullständigt känd, men som ökar med åldern och når 1 % hos personer över 75 år. I Frankrike uppskattas det att över 100 000 människor varje år utvecklar VTE, vilket är ansvarigt för mellan 5 000 och 10 000 dödsfall. Djup ventrombos (DVT) och lungemboli (PE) är de två huvudtyperna av VTE. DVT motsvarar partiell eller total ocklusion av en djup ven av en tromb, oftast lokaliserad i de nedre extremiteterna. PE definieras som partiell eller total ocklusion av lungartärerna eller deras grenar. Den största risken för DVT är förekomsten av PE, som kan vara livshotande. Andra VTE-specifika komplikationer och möjliga negativa utfall inkluderar tromboemboliskt återfall (antingen DVT eller PE), kronisk tromboembolisk pulmonell hypertoni och posttrombotiskt syndrom vid DVT. Nuvarande hantering av VTE är huvudsakligen baserad på antikoagulantiabehandling. Behandlingstiden varierar beroende på den uppskattade risken för återfall om behandlingen avbryts, i huvudsak beroende på om det finns en tidigare stor riskfaktor eller inte [2]. I denna undergrupp av PE-patienter, i avsaknad av större riskfaktorer, anses risken för återfall vara mellanliggande och varierar beroende på om händelsen är en första episod eller ett recidiv, och om det finns obstruktiva lungföljder eller inte [3]. På senare tid har den terapeutiska strategin blivit mer komplex, med införande av mindre riskfaktorer som modulerar behandlingslängden utan relevanta bevis. Dessutom, oavsett behandlingens varaktighet, är dosen av antikoagulantia efter den sjätte månaden osäker för direkta orala antikoagulantia.

Hypoteser:

Denna forskning presenteras under två distinkta axlar:

AXIS 1: Syftet med detta arbete kommer initialt att vara att utveckla och validera artificiell intelligensverktyg, med hjälp av ML och NLP, för att inhämta och strukturera data från textbaserade medicinska rapporter vid avdelningen för vaskulär medicin vid Centre Hospitalier Intercommunal de Toulon - la Seyne sur mer (CHITS). Detta projekt kommer att bygga på arbete som tidigare utförts av avdelningen för epidemiologi, biostatistik och hälsodata (DEBDS) vid Centre Antoine Lacassagne (CAL) med fokus på bröst- och sköldkörtelcancer [5,6,7]. Tanken är att validera överförbarheten av dessa verktyg till en annan anläggning med olika patologier och utövare, särskilt CHITS vaskulärmedicinska avdelning.

Att implementera en metod för att skaffa strukturerad data med hjälp av artificiell intelligens-tekniker direkt från textuella medicinska rapporter inom vårt sjukhus är en utmaning. Om dess prestanda är bevisad och det här verktyget implementeras på en permanent rutinmässig basis, skulle det ge en lätt utnyttjad informationskälla. Mångfalden av fält och intressen inom klinisk forskning i vår anläggning kan göra utplacering på andra avdelningar till ett uppnåeligt mål. För CHITS är detta det första steget i processen att bygga ett Health Data Warehouse (HDW).

AXE 2: Därefter kommer syftet att vara att använda databasen för att identifiera kliniskt relevanta fenotyper hos patienter med akut lungemboli. Hierarkiska klustringsmetoder kombinerat med oövervakad inlärning (maskininlärning) kommer att användas för att få fram grupper av patienter som är homogena vid diagnos. Att utvärdera deras prognos efter 6 månader (återfall eller kronisk tromboembolisk pulmonell hypertension), med hänsyn till de första 3 månaderna av antikoagulantiabehandling, skulle ge ett hjälpmedel för medicinskt beslutsfattande.

En analys av sexmånadersutvecklingen av homogena patientgrupper med akut lungemboli, konstruerad med hjälp av klustringsmetoder med oövervakad inlärning har aldrig utförts tidigare. Detta innovativa projekt inom en storskalig sjukhusinfrastruktur kommer sannolikt att erbjuda läkare ett beslutsfattande och patienterna en vetenskapligt validerad form av terapeutisk hantering.

Material och metoder :

Denna forskning kommer att omfatta en retrospektiv och en prospektiv del. Den retrospektiva delen kommer att omfatta patienter som har varit inlagda på CHITS för akut lungemboli sedan 2019 (cirka 1900 patienter). För den prospektiva delen är det planerat att inkludera patienter med samma egenskaper under åren 2024 och 2025 (cirka 765 patienter). Om individuell information inte är tillgänglig eller om de motsätter sig behandlingen av deras data för 25 % av patienterna, kan en stor mängd data om över 2 500 patienter potentiellt analyseras i denna studie. Denna forskning kommer inte att ha någon inverkan på nuvarande patientvård. Data från konsultationer och olika undersökningar som genomförs som en del av vården kommer att samlas in under sex månader efter diagnos för att uppfylla forskningsmålen.

AXEL 1: Datainsamlingsmetoden som används i denna forskning kommer att vara tvåfaldig. Data från patienter som ingår i klinisk forskning kommer att samlas in på konventionellt sätt med hjälp av ett fallrapportformulär, sedan centraliserat och organiserat i en referensdatabas som kallas "Gold Standard", och matas in av en klinisk forskningstekniker. Den andra tekniken för datainsamling, med hjälp av NLP-metoder, kommer att fortsätta i flera steg, parallellt med tidigare tillvägagångssätt. Först kommer utvinningen av medicinska rapporter (MR) i textformat att följas av ett pseudonymiseringssteg. MR-datauppsättningen kommer sedan att förberedas för träning och validering genom att ta bort specialtecken och identifiera intressesegment. Sedan kommer MR att annoteras med BRAT för att identifiera de termer som kommer att användas för att fylla i databasen. Utbildningsskript kommer att tillämpas på 70 % av patienterna för att skapa NLP-modeller. Under denna utbildningsfas kommer medicinska regler för efterbehandling att skrivas för att översätta den information som identifierats av modellerna till strukturerad data. Det sålunda slutförda skriptet appliceras på valideringsbasen med en utvärdering av dess prestanda. Efter eventuella nödvändiga justeringar utvärderas prestandan för det slutliga skriptet i testdatabasen. Prestanda kommer att bedömas genom att jämföra data som erhållits automatiskt med den manuella Gold Standard-databasen.

AXE 2: Oövervakade klustringsmetoder som används i denna studie kombinerar hierarkiska och icke-hierarkiska metoder. Efter den hierarkiska stigande klustringen används Wards index för att bestämma antalet intressegrupper. Centroiderna för dessa grupper anses sedan initialisera en partitioneringsalgoritm, såsom k-medelalgoritmen. När de flesta medicinskt relevanta grupperna har fastställts jämförs sex månaders utveckling (stabil, försämring eller framsteg). Faktorer som påverkar progressionen under de första tre månaderna av behandlingen kan också inkluderas i en statistisk modell, beroende på deras förmåga att förutsäga försämring. Alla dessa undersökningar bör ge underlag för medicinskt beslutsfattande.