Usando o processamento de linguagem natural para extrair informações do texto clínico em prontuários eletrônicos para preencher registros clínicos: uma revisão sistemática
Medicina e TecnologiaO que aconteceu
Os registros clínicos avançam os cuidados de saúde acompanhando os resultados do paciente e a segurança da intervenção. A extração manual de informações do texto clínico para registros é trabalho- e recursos-intensivo e muitas vezes imprecisa. Portanto, esta revisão sistemática tem como objetivo avaliar o uso e a eficácia dos métodos de processamento de linguagem natural (NLP) na extração de informações do texto clínico para preencher registros clínicos. PubMed, Embase, Scopus, Web of Science e ACM Digital Library foram sistematicamente pesquisados. Foram incluídos estudos que utilizassem técnicas de NLP para preencher registros clínicos. Os dados extraídos incluíram detalhes do registro, do texto clínico, dos elementos de dados extraídos do registro, dos métodos de NLP utilizados e como seu desempenho foi avaliado.
O que encontraram
Quinze artigos foram incluídos na revisão. Desde 2020, o uso de métodos NLP para extrair informações para preencher registros clínicos vem aumentando constantemente. Inicialmente, os métodos NLP baseados em regras dominavam o campo, mas abordagens baseadas em aprendizado de máquina gradualmente ganharam popularidade. No entanto, apenas um dos estudos incluídos empregou modelos generativos de grande linguagem (LMLs). A diversidade do texto clínico e os elementos extraídos dos dados colocavam desafios à generalização dos métodos de NLP.
Por que isso importa
Até o momento, a aplicação de métodos de NLP ao texto clínico para a população de registros clínicos tem sido limitada tanto no número de estudos publicados quanto no âmbito de implementação. Os métodos NLP utilizados até o momento enfrentam desafios significativos no gerenciamento efetivo da complexidade e diversidade de textos clínicos e elementos de dados. Além disso, o desempenho dos métodos NLP variou significativamente. Esta revisão sublinha a necessidade de um quadro NLP robusto e adaptável. LLMs generativos podem fornecer direção para pesquisas futuras, mas seu uso deve ser responsável por desafios como precisão, custo, privacidade e evidência de suporte limitada.
Tradução automática do resumo original, publicado em Journal of the American Medical Informatics Association : JAMIA sob licença CC BY. Os números são conferidos contra o original; siglas e termos técnicos podem variar.
O estudo original
Using natural language processing to extract information from clinical text in electronic medical records for populating clinical registries: a systematic review
Leibo Liu, Victoria Blake, Matthew Barman, Blanca Gallego, Timothy Churches, Georgina Kennedy, Sze-Yuan Ooi, Geoffrey P Delaney, Louisa R. Jorm
Descritores MeSH
- Registries
- Data Mining
- Electronic Health Records
- Natural Language Processing
- Information Storage and Retrieval
- Humans
- Machine Learning