Traitement du langage naturel visant à identifier les différentes pathologies du cristallin dans les dossiers médicaux électroniques

CATARACT / DEEP LEARNING Ann Arbor – La quasi totalité des études Big Data liées à l’ophtalmologie publiées s’appuient exclusivement sur les codes de facturation de la Classification internationale des maladies (CIM) pour identifier les patients atteints d’affections oculaires particulières. Cependant, des codes inexacts ou non spécifiques peuvent être utilisés. Afin d’évaluer si le traitement du langage naturel (NLP), en tant qu’approche alternative, pouvait identifier plus précisément les pathologies du cristallin, l’équipe autour de Joshua D. Stein, du département d’ophtalmologie et de sciences visuelles, W.K. Kellogg Eye Center de ‚Université du Michigan à Ann Arbor, États-Unis, a réalisé dans le cadre de l’étude Big Data une analyse des de base de données comparant la précision du NLP par rapport aux codes de facturation de la CIM pour identifier correctement les types de cataractes, la densité de la cataracte, la présence de lentilles intraoculaires et d’autres pathologie du cristallin. Les scientifiques ont à ces fins mis au point un algorithme de NLP adapté et l’ont appliqué sur 17,5 millions de dossiers d’examen de lentilles dans le référentiel SOURCE (Sight Outcomes Research Collaborative) pour sélectionner 4314 entrées d’examen portant uniquement sur lentilles et ont demandé à 11 cliniciens d’évaluer si toutes les pathologies présentes dans les entrées avaient été correctement identifiées dans les résultats de l’algorithme de NLP. La sensibilité de l’algorithme à détecter avec précision les pathologies du cristallin a été comparée à celle des codes de la CIM. L’algorithme du NLP a correctement identifié toutes les pathologies du cristallin présentes dans 4104 des 4314 examens du cristallin (95,1%). Pour les pathologies du cristallin moins courantes, les résultats de l’algorithme ont été corroborés par les cliniciens examinateurs pour 100% des mentions de matériel de pseudoexfoliation et 99,7% pour le phimosis, la subluxation et la synéchie. La sensibilité de l’identification des pathologies du cristallin était bien meilleure pour le NLP (0,98 (0,96 - 0,99)) que pour les codes de facturation (0,49 (0,46 - 0,53)). Dans le numéro de janvier du journal scientifique AMERICAN JOURNAL OF OPHTHALMOLOGY, les auteurs concluent que l’algorithme NLP identifie et classifie avec une grande précision les anomalies du cristallin régulièrement documentées par les professionnels des soins oculaires. De tels algorithmes aideront les chercheurs à identifier et à classer correctement les pathologies oculaires, élargissant ainsi le champ des recherches réalisables à l’aide de données réelles. (um)

Auteurs : Stein JD, Zhou Y, Andrews CA, Kim JE, Addis V, Bixler J, Grove N, McMillan B, Munir SZ, Pershing S, Schultz JS, Stagg BC, Wang SY, Woreta F. Correspondance : Joshua D. Stein, University of Michigan, Department of Ophthalmology and Visual Sciences, W.K. Kellogg Eye Center, 1000 Wall Street, Ann Arbor, MI 48105, USA. E-mail : jdstein@med.umich.edu Étude : Using Natural Language Processing to Identify Different Lens Pathology in Electronic Health Records. Source : Am J Ophthalmol. 2024 Jan 29:S0002-9394(24)00031-X. doi: 10.1016/j.ajo.2024.01.030. Epub ahead of print. PMID: 382961 52. Web : https://www.ajo.com/article/S0002-9394(24)00031-X/abstract