Un enfoque de aprendizaje automático para identificar personas con enfermedades neuroinfecciosas en registros médicos...

Área de la Ciencia:

• Medicina computacional
• Informática médica
• Procesamiento del lenguaje natural (PNL)

Sus antecedentes:

• La identificación de enfermedades neuroinfecciosas (NID) mediante códigos de facturación es imprecisa, y las revisiones de gráficos manuales requieren mucha mano de obra.
• El aprendizaje automático (ML) puede analizar los registros electrónicos de salud no estructurados (EHR) para obtener indicadores sutiles de NID, mejorando la eficiencia y reduciendo la clasificación errónea.
• La clasificación precisa de NID es crucial para la investigación y el apoyo a las decisiones clínicas, sin embargo, el uso de notas no estructuradas sigue siendo poco explorado.

Objetivo del estudio:

• Desarrollar y validar un modelo ML para la identificación de NID a partir de las notas no estructuradas de los pacientes.
• Comparar el rendimiento del modelo de PNL con los códigos de facturación de ICD y un modelo de lenguaje grande (LLM).
• Evaluar la generalización del modelo en diferentes instituciones de salud.

Principales métodos:

• Se entrenó un modelo de aumento de gradiente extremo (XGBoost) en 3000 notas clínicas de Mass General Brigham (MGB).
• Las notas se procesaron utilizando representaciones de n-grama (n = 1, 2, 3), con selección de características a través de la regularización L1.
• El rendimiento se evaluó utilizando AUROC y AUPRC, con validación externa en datos del Centro Médico Beth Israel Deaconess (BIDMC).

Principales resultados:

• El modelo de PNL logró un AUROC de 0,98 y un AUPRC de 0,89 en los datos de la prueba MGB, equilibrando la especificidad (0,96) y la sensibilidad (0,84).
• Los códigos de facturación ICD mostraron una alta sensibilidad (0,97) pero una escasa especificidad (0,59), mientras que Llama 3.2 tenía una mejor especificidad (0,94) pero una baja sensibilidad (0,64).
• El modelo de PNL mantuvo un buen rendimiento en los datos externos del BIDMC (AUROC 0.98, AUPRC 0.78).

Conclusiones:

• El modelo de PNL identifica con precisión los casos de NID a partir de las notas clínicas, lo que demuestra la viabilidad de la investigación de NID a gran escala.
• El rendimiento del modelo en dos conjuntos de datos hospitalarios independientes destaca su potencial para la generación de cohorte.
• Se recomienda una mayor validación externa para mejorar la generalización de estos hallazgos a otras instituciones.