Identificadores automáticos de observación lógica de nombres y códigos mapeados con modelos biomédicos de...

Área de la Ciencia:

• Informática biomédica La informática biomédica es un campo de la informática biomédica.
• Procesamiento del lenguaje natural.
• Estandarización de la estandarización de la terminología clínica.

Sus antecedentes:

• El intercambio eficiente de información de salud depende de una representación consistente del concepto clínico en todos los sistemas de atención médica.
• El estándar de nombres y códigos de identificadores de observación lógica (LOINC) facilita la interoperabilidad, pero se enfrenta a desafíos de mapeo con conjuntos de datos diversos, incompletos o de formato inconsistente.
• El rendimiento algorítmico en entornos controlados a menudo difiere de la implementación en el mundo real debido a la heterogeneidad de los datos.

Objetivo del estudio:

• Desarrollar un enfoque biomédico de procesamiento del lenguaje natural (PNL) para mapear cadenas de pruebas de laboratorio heterogéneas a LOINC v2.81.1.
• Para comparar el rendimiento del enfoque de PNL desarrollado con los algoritmos establecidos en el Open Concept Lab (OCL) Mapper.
• Evaluar la utilidad de la PNL para mejorar la precisión del mapeo LOINC con diversos datos clínicos.

Principales métodos:

• Implementación de una tubería basada en ScispaCy (ScispaCy-LOINC) que involucra la identificación de la entidad clínica, el enlace del identificador único de concepto UMLS, el ensamblaje del código LOINC y la puntuación ponderada.
• Evaluación del rendimiento de ScispaCy-LOINC frente a dos algoritmos OCL: Elasticsearch Keyword Retrieval (OCL-Keyword) y MiniLM Semantic Search (OCL-Semantic).Evaluación del rendimiento de ScispaCy-LOINC frente a dos algoritmos OCL: Elasticsearch Keyword Retrieval (OCL-Keyword) y MiniLM Semantic Search (OCL-Semantic).Evaluación del rendimiento de ScispaCy-LOINC frente a dos algoritmos OCL: Elasticsearch Keyword Retrieval (OCL-Keyword) y MiniLM Semantic Search (OCL-Semantic).Evaluación del rendimiento de ScispaCy-LOINC frente a dos algoritmos OCL: Elasticsearch y MiniLM.
• Pruebas en dos conjuntos de datos: MIMIC-IV lab_d_items y un subconjunto LOINC-mapeado de la terminología de la interfaz CIEL.

Principales resultados:

• ScispaCy-LOINC logró la mayor cobertura en el conjunto de datos MIMIC-IV (42,3%), superando a OCL-Keyword (19,5%) y OCL-Semantic (21,4%).
• En el conjunto de datos del CIEL, OCL-Semantic demostró la mayor cobertura (54,4%), seguido por OCL-Keyword (46,9%), con ScispaCy-LOINC en el 28,4%.
• El rendimiento algorítmico varió en función de las características del conjunto de datos, con ScispaCy-LOINC sobresaliendo en datos más ruidosos o más escasos.

Conclusiones:

• ScispaCy-LOINC ofrece un enfoque flexible y efectivo para el mapeo de LOINC, particularmente para conjuntos de datos clínicos desafiantes y del mundo real.
• Los algoritmos basados en OCL funcionan mejor con terminologías más estandarizadas, lo que indica fortalezas complementarias entre diferentes estrategias de mapeo.
• Se recomienda un marco integrado que combine diversos enfoques algorítmicos para mejorar la robustez y la precisión en varios tipos de datos clínicos.