Et si un ordinateur pouvait lire les notes médicales d'un patient et aider les médecins à déterminer les informations importantes pour son traitement?
Au Mush Hollings Cancer Center, les chercheurs dirigés par Jihad Obeid, MD et Mario Fugal, Ph.D., utilisent une forme avancée d'intelligence artificielle (IA) pour faire exactement cela – déverrouiller les détails critiques enterrés dans les dossiers médicaux pour adapter les traitements pour les cancers qui affectent le cerveau. Leur modèle à haute précision pourrait transformer la façon dont les médecins classent et traitent les tumeurs métastatiques, offrant des réponses plus rapides et des soins plus personnalisés sans ajouter aux charges de travail des médecins.
Dans la nouvelle étude, publiée dans JCO Clinical Cancer Informatics, les chercheurs ont utilisé une forme d'IA appelée traitement du langage naturel (NLP) pour résoudre un problème frustrateur: comment communiquer efficacement les détails du diagnostic du patient entre les médecins de différentes spécialités si le patient est programmé pour la radiation pour les tumeurs cérébrales.
Sommaire
Tracer les origines du cancer
La plupart des cancers dans le cerveau, appelés métastases cérébrales, n'y ont pas commencé. Au contraire, ces cancers ont commencé ailleurs dans le corps, comme les poumons, le sein, la peau, le rein ou le tube digestif, puis se sont rendus au cerveau.
Savoir d'où provenait les métastases cérébrales est une pièce critique dans le puzzle clinique. Cela est particulièrement vrai pour les patients recevant un traitement spécialisé appelé radiochirurgie stéréotaxique (SRS), qui offre une dose élevée de rayonnement ciblé en une seule session. Bien que très efficace, SRS comporte des risques. Il s'agit notamment des effets secondaires de trop de rayonnements et de dommages potentiels à des tissus sains et non cancéreux à proximité.
Mais ces risques peuvent être réduits ou même évités si les traitements des patients sont adaptés à leurs types de cancer d'origine parce que différents cancers réagissent différemment aux radiations. Par exemple, les cancers du poumon sont très sensibles aux rayonnements et peuvent être traités avec des doses plus faibles. En revanche, le cancer du rein a tendance à résister aux radiations et nécessite un traitement plus prolongé.
Le cerveau est un organe tellement sensible que nous voulons être aussi précis que possible avec la dose de rayonnement. Mais d'abord, nous devons savoir exactement ce que nous traitons, puis développer un plan de traitement spécifique en fonction de ces informations. «
Mario Fugal, Ph.D., chercheur, Mush Hollings Cancer Center
Les notes cliniques contiennent une mine d'informations sur le diagnostic et le traitement d'un patient. Mais plonger dans des notes individuelles de patients pour retirer les détails pertinents est un processus à forte intensité de main-d'œuvre et qui prend du temps.
« Les dossiers médicaux n'ont jamais été conçus pour la recherche. Ils sont souvent désordonnés et imparfaits », a expliqué Obeid. « Mais si nous pouvons leur donner un sens, nous pouvons les transformer en quelque chose qui aide les médecins et les patients en améliorant les efforts de recherche et en permettant des soins plus précis. »
C'est là que la PNL – une branche de l'IA qui forme les ordinateurs à comprendre le langage humain – peut aider. La PNL permet essentiellement aux ordinateurs de donner un sens à ce que nous écrivons ou disons, combler l'écart entre la communication humaine et les données informatiques.
Trouver une langue commune
Certaines personnes peuvent être surpris par la nécessité d'une meilleure façon d'identifier les diagnostics de cancer. Les professionnels de la santé ont déjà un langage diagnostique commun pour enregistrer et suivre les maladies, connues sous le nom de codes internationaux de classification des maladies (CIM).
Malheureusement, pour des cas complexes comme les métastases cérébrales, ces codes manquent souvent la marque. En effet, les codes ICD peuvent ne pas aborder la source sous-jacente de la tumeur, en particulier pour les patients avec plus d'un type de cancer ou lorsque le cancer se propage tôt. Les codes manquent également de spécificité pour éclater les sous-types de cancer.
« La note clinique est la plus proche de la vérité de ce qui se passe comme vous pouvez l'obtenir », a déclaré Fugal, « parce qu'il a des nuances qui manquent les codes de la CPI. Un code dira simplement« cancer du poumon ». Il ne va pas si c'est le poumon gauche versus droite, la partie supérieure et la partie inférieure du poumon ou de la petite cellule par rapport à la cellule non à petites ans.
Lire entre les lignes
Dans cette étude, les chercheurs ont développé un modèle de PNL qui pourrait « lire » les notes des médecins et identifier les mots et les phrases clés indiquant le type de cancer primaire – par exemple, des mots comme « canal » pour le cancer du sein et le « mélanome » pour le cancer de la peau. En développant une PNL qui a automatiquement extrait ces données de notes cliniques, les chercheurs espéraient faciliter le groupe des patients pour le traitement et la recherche.
« Avec de meilleures données, nous pouvons concevoir de meilleures études, faire des découvertes plus rapides et adapter les traitements plus précisément à chaque patient », a souligné Fugal.
Les chercheurs ont testé le modèle de la PNL sur les notes des médecins trouvées dans les dossiers de santé électroniques, en particulier, les notes de radiation en oncologie avec des descriptions détaillées des types et des histoires de cancer. Ils voulaient voir si le modèle pouvait identifier les diagnostics de cancer d'origine plus précisément que les codes médicaux standard.
Les chercheurs ont testé le modèle dans 82 000 notes cliniques des dossiers médicaux de plus de 1 400 patients traités par SRS pour les métastases cérébrales. Le modèle a été conçu pour lire les notes, rechercher des modèles dans le texte et utiliser ces données pour déterminer le type de cancer primaire pour chaque patient. Les examinateurs experts ont examiné manuellement les notes de confirmation.
De meilleures données, de meilleurs soins
Le modèle NLP était étonnamment précis. Alors que les codes ICD étaient souvent erronés ou peu clairs, le modèle a correctement identifié le cancer primaire dans plus de 90% des cas. Pour les cancers courants comme le cancer du poumon, du sein et de la peau, la classification était presque parfaite à 97%. Le programme pourrait même identifier les sous-types de cancer du poumon, ce que les codes ICD n'ont pas pu faire. Ces résultats valident la PNL comme un outil puissant pour l'extraction des données cliniques, capable de surpasser les codes médicaux traditionnels pour déterminer le diagnostic de cancer d'origine d'un patient.
« Cette approche comble un écart crucial », a déclaré Fugal. « Notre outil d'IA a tiré les diagnostics des notes des médecins rapidement, avec précision et sans travail supplémentaire pour les équipes de soins. »
Surtout, le modèle a été conçu pour être simple et efficace. Il ne nécessite pas de grands ensembles de données, d'exemples de formation robustes ou de puissance de calcul intensive, et il évite de nombreuses préoccupations éthiques associées à des modèles d'IA plus grands et génératifs.
« La véritable puissance ici est que cette approche est légère et évolutive », a déclaré Obeid. « D'autres hôpitaux pourraient facilement utiliser cet outil, même avec des ressources limitées. »
L'équipe de recherche décrit ce travail comme une étape majeure vers les soins personnalisés basés sur les données pour les patients atteints de cancer. Une efficacité et une précision accrue dans la classification du cancer pourraient finalement signifier des recherches plus rapides, un meilleur traitement et moins de conjectures pour les médecins.
L'équipe travaille désormais sur une étude utilisant une approche PNL similaire pour identifier les patients à risque de nécrose de rayonnement – gonflement dans le cerveau qui est un effet secondaire rare mais sérieux de trop de rayonnement. Cet effort pourrait aider à prendre des complications plus tôt ou les éviter complètement. Les futurs chercheurs pourraient également utiliser le modèle PNL avec d'autres systèmes de santé et d'autres types de cancer ou ajouter des données de santé, telles que des analyses d'imagerie ou des tests de laboratoire.
Pour OBEID, ce travail reflète une tendance plus importante dans les soins de santé: utiliser des dossiers de santé électroniques non seulement pour la documentation, mais comme une riche source de données qui peuvent améliorer les soins en temps réel.
« L'automatisation de l'extraction de données à partir de notes non structurées qui sont déjà dans les dossiers de santé créent des ensembles de données précis et à jour », a-t-il déclaré. « Cette approche fait gagner du temps et ouvre la porte à des recherches plus significatives sur les résultats après la radiochirurgie et d'autres traitements. »
À mesure que le traitement du cancer devient plus complexe, des outils basés sur les données comme celui-ci gagnent de l'importance. En enseignant aux ordinateurs à lire les notes médicales que les médecins écrivent, les chercheurs aident à combler l'écart entre les données brutes et la compréhension réelle.
