从使用自然语言处理的电子健康记录中识别和描述免疫检查点抑制剂诱导的毒性

科学领域:

• 在瘤学瘤学.
• 药物监督 药物监督 药物监督
• 医疗信息学 医疗信息学

背景情况:

• 免疫检查点抑制剂 (ICI) 已经改变了癌症治疗,但可以引起与免疫相关的不良事件 (irAEs).
• 在现实数据中准确评估irAE患病率和患者影响,对于理解ICI在临床试验之外的益处/风险至关重要.
• 目前的诊断代码缺乏详细信息和因果关系的洞察力.

研究的目的:

• 通过在非结构化电子健康记录 (EHR) 数据上使用增强治愈 (AC) 来提高ICI诱导的IRE的准确识别和评估.
• 为了比较AC模型与传统诊断代码在捕捉irAEs及其患者影响方面的有效性.
• 评估经历特定高影响性IREE (MEPS) 的患者的现实世界临床结果.

主要方法:

• 分析了梅奥诊所治疗ICI (2005-2021) 的9290名患者队列.
• 在诊断代码和AC模型之间比较了irAEs的患病率,这些代码和AC模型应用于EHR临床笔记.
• 通过使用皮质类固醇使用和ICI discontinuation作为严重性的代理来评估四种严重的irAEs (心肌炎,脑炎,肺炎,严重的皮肤不良反应 - MEPS).

主要成果:

• AC模型发现的MEPS病例比诊断代码多30%.
• 在通过AC识别的MEPS患者中,82%接受了皮质类固醇以治疗irAE.
• 35.9%的MEPS患者通过AC确定永久停止ICI治疗由于irAEs.

结论:

• 与诊断代码相比,增强疗法 (AC) 提供了一种更准确和更有效的方法,用于在真实数据中识别和评估ICI诱导的irAEs.
• 这种基于NLP的方法为患者的护理和结果提供了更深入的见解,这对于评估ICI疗法至关重要.
• 免疫检查点抑制剂的AC模型增强了对免疫检查点抑制剂的实际利益/风险概况的描述.