Armonización automatizada de datos en la investigación clínica: enfoque de procesamiento del lenguaje natural

Área de la Ciencia:

• Biología computacional y bioinformática
• Informática de la salud
• Aprendizaje automático en la salud

Sus antecedentes:

• La integración de datos es crucial para el avance de la investigación clínica y epidemiológica.
• La armonización de diversas variables entre conjuntos de datos es un cuello de botella importante.
• Los métodos existentes para la armonización de variables son a menudo ineficientes y no escalables.

Objetivo del estudio:

• Desarrollar y evaluar un método basado en el procesamiento del lenguaje natural (PNL) para la armonización automatizada de variables.
• Para permitir la integración escalable de múltiples conjuntos de datos de investigación.
• Mejorar la eficiencia y la precisión de la armonización de datos en estudios a gran escala.

Principales métodos:

• Desarrolló un modelo de red neuronal totalmente conectada (FCN) mejorado con aprendizaje contrastante.
• Utilizó las incorporaciones específicas de dominio de las representaciones de codificadores bidireccionales de los transformadores para la minería de texto biomédico.
• Entrenado y validado el modelo en tres conjuntos de datos cardiovasculares (riesgo de aterosclerosis en las comunidades, estudio del corazón de Framingham, estudio multiétnico de la aterosclerosis).
• Enmarcó la tarea de armonización como un problema de clasificación de oraciones emparejadas utilizando descripciones de metadatos.

Principales resultados:

• El método FCN logró una precisión de 98,95% y un AUC de 0,99.
• Esto superó significativamente la línea de base de regresión logística (precisión de los 5 primeros 22,23%, AUC 0,82).
• La mejora del aprendizaje por contraste también mostró un rendimiento superior al de referencia.

Conclusiones:

• El nuevo enfoque FCN ofrece una solución escalable para armonizar los metadatos en estudios de cohorte grandes.
• Este método clasifica con precisión los conceptos armonizados para la investigación de enfermedades cardiovasculares y accidentes cerebrovasculares.
• La estrategia basada en PNL mejora sustancialmente las capacidades de integración de datos en comparación con los métodos tradicionales.