使用自然语言处理电子医疗记录的抗癌药物的营销后监测
Yoshimasa Kawazoe1, Kiminori Shimamoto2, Tomohisa Seki3
1Artificial Intelligence and Digital Twin in Healthcare, Graduate School of Medicine, The University of Tokyo, Tokyo, Japan. kawazoe@m.u-tokyo.ac.jp.
NPJ digital medicine
|November 9, 2024
概括
自然语言处理 (NLP) 准确地识别了接受抗癌药物的癌症患者的不良事件 (AE). 这些NLP提取的副作用,包括外围神经病变和口腔粘膜炎,与已知的药物副作用概况保持一致.
科学领域:
- 在瘤学瘤学.
- 医疗信息学 医疗信息学
- 药物监督 药物监督 药物监督
背景情况:
- 抗癌药物与各种不良事件 (AE) 有关.
- 准确及时识别AE对于患者安全和有效的治疗监测至关重要.
- 传统的AE提取方法可能是劳动密集型的,可能会错过临床叙述中的细微差别.
研究的目的:
- 评估自然语言处理 (NLP) 在从临床文本中提取不良事件 (AE) 的有效性.
- 确定NLP提取的AE是否与与特定抗癌药物类相关的已知频率相关.
- 为了比较用抗癌药物治疗的患者和未接受治疗的患者之间的AE发病率.
主要方法:
- 利用来自单一医院的44502名癌症患者的数据.
- 确定的患者被处方为 (PLT),高 (TAX) 或金胺 (PYA) 的抗癌药物.
- 员工倾向性得分匹配,以创建一个可比的非治疗 (NTx) 控制组.
- 在365天内,应用NLP工具从临床文本中提取AE (外围神经病变,口腔粘膜炎,味道异常,食欲丧失).
主要成果:
- 与NTx组相比,抗癌药物组的AE危险比率 (HRs) 在抗癌药物组显著更高.
- 针对AE的特定HR范围包括:外围神经病变 (1.15-1.95),口腔粘膜炎 (3.11-3.85),口味异常 (3.48-4.71),食欲丧失 (1.98-3.84).
- 敏感性分析表明,可能低估了味道异常的HR,但其他副作用与抗癌药物有着一致的关联.
结论:
- 从非结构化的临床文本中提取临床相关的不良事件,NLP是一个可行的工具.
- 来自NLP的AE频率与已知的抗癌药物毒性的知识一致.
- 这种方法通过在瘤学环境中对药物安全性的有效和大规模监测来加强药物监测.
