
 
 
 
 
 
 
 
 
 
 
 
 
 المؤلفين : (1) James Mitchell-White ، مركز المعلومات الصحية ، كلية الطب ، جامعة نوتينغام ، خدمة البحث الرقمي ، جامعة نوتينغام ، و NIHR Nottingham Biomedical Research Center ؛ (2) Reza Omdivar ، خدمة البحث الرقمي ، جامعة نوتينغام ، و NIHR مركز البحث البيولوجي نوتينغام ؛ (3) Esmond Urwin ، مركز المعلومات الصحية ، كلية الطب ، جامعة نوتينغام و NIHR Nottingham Biomedical Research Center ؛ (4) Karthikeyan Sivakumar ، خدمة البحوث الرقمية ، جامعة نوتينغام ؛ (5) Ruizhe Li, NIHR مركز الدراسات البيولوجية نوتينغام ومدرسة علوم الكمبيوتر, جامعة نوتينغام; (6) أندري راي ، مركز المعلومات الصحية ، كلية الطب ، جامعة نوتينغام ؛ (7) Xiaoyan Wang, Lee Kong Chian School of Medicine, جامعة نانيانغ التكنولوجية, سنغافورة. (8) Theresia Mina, Lee Kong Chian School of Medicine, جامعة نانيانغ التكنولوجية, سنغافورة; (9) جون شيبرس، مدرسة لي كونغ كايان للطب، جامعة نانيانغ التكنولوجية، سنغافورة، ومدرسة العلوم الطبية والبيولوجية، مدرسة الصحة العامة، كلية لندن الإمبراطورية، المملكة المتحدة. (10) Grazziela Figueredo، مركز المعلومات الصحية، كلية الطب، جامعة نوتينغام ومستشفى NIHR نوتينغام للبحوث البيولوجية؛ (11) فيليب R Quinlan ، مركز المعلومات الصحية ، كلية الطب ، جامعة نوتينغام. Authors: (1) James Mitchell-White ، مركز المعلومات الصحية ، كلية الطب ، جامعة نوتينغام ، خدمة البحث الرقمي ، جامعة نوتينغام ، و NIHR Nottingham Biomedical Research Center ؛ (2) Reza Omdivar ، خدمة البحث الرقمي ، جامعة نوتينغام ، و NIHR مركز البحث البيولوجي نوتينغام ؛ (3) Esmond Urwin ، مركز المعلومات الصحية ، كلية الطب ، جامعة نوتينغام و NIHR Nottingham Biomedical Research Center ؛ (4) Karthikeyan Sivakumar ، خدمة البحوث الرقمية ، جامعة نوتينغام ؛ (5) Ruizhe Li, NIHR مركز الدراسات البيولوجية نوتينغام ومدرسة علوم الكمبيوتر, جامعة نوتينغام; (6) أندري راي ، مركز المعلومات الصحية ، كلية الطب ، جامعة نوتينغام ؛ (7) Xiaoyan Wang, Lee Kong Chian School of Medicine, جامعة نانيانغ التكنولوجية, سنغافورة. (8) Theresia Mina, Lee Kong Chian School of Medicine, جامعة نانيانغ التكنولوجية, سنغافورة; (9) جون شيبرس، مدرسة لي كونغ كايان للطب، جامعة نانيانغ التكنولوجية، سنغافورة، ومدرسة العلوم الطبية والبيولوجية، مدرسة الصحة العامة، كلية لندن الإمبراطورية، المملكة المتحدة. (10) Grazziela Figueredo، مركز المعلومات الصحية، كلية الطب، جامعة نوتينغام ومستشفى NIHR نوتينغام للبحوث البيولوجية؛ (11) فيليب R Quinlan ، مركز المعلومات الصحية ، كلية الطب ، جامعة نوتينغام. طاولة اليسار 
 
 
 
 
 
 Abstract and Introduction 
 
 
 
 
 
 
 
 
 
 System Architecture 2.1  Access via UI or HTTP 2.1.1  GUI 2.2  Input 2.3  Natural Language Processing Pipeline — The Llettuce API 2.3.1  Vector search 2.3.2  LLM 2.3.3  Concept Matches 2.4  Output 
 
 
 
 
 
 
 
 
 Case Study: Medication Dataset 3.1  Data Description 3.2  Experimental Design 3.3  Results 3.3.1  Comparison between vector search and Usagi 3.3.2  Comparison with GPT-3 3.4  Conclusions & Acknowledgement 3.5  References abstract يقدم هذا الكتاب Llettuce، أداة مفتوحة مصممة لتنفيذ التحديات التي تواجه تحويل النصوص الطبية إلى مفهومات OMOP القياسية. على عكس الحلول الموجودة مثل البحث في قاعدة بيانات Athena و Usagi، التي تتنافس مع التناقضات السليمة وتطلب إدخال مادي كبير، يستفيد Llettuce من معالجة اللغات الطبيعية المتقدمة، بما في ذلك نموذج لغة كبيرة ومقارنة خفيفة، لتوسيع عملية التصوير وتطويرها مع التركيز على التوافق مع GDPR، ويمكن تطوير Llettuce على المستوى المحلي، مما يضمن حماية البيانات مع الحفاظ على أداء عالية في تحويل النصوص الطبية غير الرسمية إلى أفكار قياسية. الكلمات المفتاحية: OMOP mapping, LLMs, healthcare data mapping, natural language processing in healthcare data 1 - إدراج إن تحويل العناوين الطبية إلى مبادئ المعايير للمشاركة في النتائج الطبية المرجوة (OMOP) (OHDSI, 2024b) هو جزء مهم من جعل البيانات قابلة للعثور، متاحة، متوافقة مع الاستخدام (FAIR) (Wilkinson et al., 2016). يتم تطبيق معايير البيانات المشتركة في كثير من الأحيان بشكل غير متكامل في جميع أنحاء أنظمة الرعاية الصحية (Cholan et al., 2022; F. et al., 2022) ، وتتطلب معايير إلى نموذج البيانات المشترك (CDM) ، مثل OMOP ، أساساً في إتاحة قنوات بحث قوية للعثور على المجموعات ، والتأكد من الأدلة الموثوقة والمتوافرة. في العمل السنوي، قمنا بتطوير Carrot Mapper (Cox et al., 2024) و Carrot-CDM 36 (Appleby et al., 2023) لدعم عملية تحويل OMOP. أدوات في هذا المجال لا تزال تتطلب التدخل اليدوي لتأكيد أو إنشاء خرائط، حيث مهندس البيانات يحتاج إلى العثور على الكمبيوتر الأكثر ملاءمة للكلمة. ويُمكن للمستخدمين البحث عن شروط محددة، ويُمكنهم مشاهدة علاقاتهم، ويُمكنهم الاستفادة من البيانات المتنوعة، ومع ذلك، فإن استخدام استطلاع Athena على نطاق واسع أمر معقد. عند القيام بأبحاث واسعة، يواجه الباحثون تحديات، بما في ذلك تعقيدات ومتلازمة لغات محددة، وارتفاع عدد النتائج البحثية، والحدود الفنية، مثل أداء النظام، ومهارات التعامل مع البيانات. بالإضافة إلى ذلك، فإن استنتاج مجموعة متنوعة من البيانات في مجال الرعاية الصحية يشكل صعوبة في ضمان التوافق بين لغات مختلفة. تم تطوير Usagi من قبل OHDSI لتسهيل تدوير الكمبيوتر الأصلية إلى المفاهيم القياسية داخل OMOP CDM. وهو يدعم تدوير وتوسيع مصادر البيانات الصحية المختلفة بشكل صحيح. Usagi يستخدم ألغاز تدوير الكمبيوتر الأصلية الذاتية لتشجيع تدوير الكمبيوتر بين الكمبيوتر المحلي والمصطلحات القياسية مثل SNOMED CT، LOINC، وRxNorm. وهو أداة قيمة للتدوير، ولكن لديه بعض القيود. في حين أنه تلقائيا جزء من عملية التدوير، فإنه يتطلب مراجعة دستورية كبيرة، والذي يستغرق وقتاً طويلاً ويكون مضطراً على أخطاء إنسانية وغير متوقعة. 7 يمكن أن يؤدي تدوير الكمبيوتر ويعمل كل من آيتونا ووساجي جيدًا بشكل جيد عند التعامل مع البيانات مع أخطاء التصوير. ولكن العناوين غير الرسمية للأدوية أو الحالات قد لا تتوافق بشكل مباشر مع سلسلة 66 مفهومًا رسميًا التي نريد أن نرفعها إلى. على سبيل المثال، "نحن الأطعمة omega-3" هو إضافة موجودة في مجموعة من البيانات المتعلقة بتحليلات المرضى المختصين. باستخدام محرك البحث آيتونا، على سبيل المثال، فإن سلسلة التوافق تشير إلى مفهومات مثل "كالسيوم أوركوربياد 550 MG Oral Tablet Now by Foods"، "Ubiquinone MG Oral Capsule [Now 73 Coq10] by Foods by Foods" أو "Calcium ascorbate 1000 Tablet Orbate MG إن نموذج اللغة الكبيرة (LLM) هو الآن بديل جديد نسبياً لتعزيز OMOP. إنها تلقائياً جزءاً من عملية الترجمة في حين أنها تشير إلى نموذج أكثر أهمية من الناحية السمعية. إن استخدام أدوات ذات صلة مثل OpenAI ChatGPT (OpenAI, 2024) في مجال الرعاية الصحية، ومع ذلك، يثير مخاوف كبيرة، وخاصة فيما يتعلق بالتوافق مع GDPR، وحماية البيانات وتكرار النتائج (Deng et al., 2024; Nazi & Peng, 2024). فإن معالجة البيانات المجهولة للمريض يشكل مخاطرًا، حيث يمكن أن يحدث اختراقات البيانات غير المرغوب فيها أو استخدام معلومات خاطئة. ضمان التفاعل مع OpenAI وغيرها من API LLM المتاحة في في هذه المقالة نقدم Llettuce ، وهي أداة تم إنشاؤها لتسوية هذه الفجوات. هي أداة معالجة اللغة الطبيعية مستقلة، مفتوحة المصدر، قابلة للتعديل على أساس نموذج اللغة الكبيرة، وتحديث أنظمة الأسئلة، والتوافق الفسيولوجي لتغيير العناوين الطبية إلى الكتب القياسية OMOP. يتم إصدار هذا النسخة الأولى بموجب رخصة MIT. يمكن استخراج العناوين الطبية من رسائل الصحة الإلكترونية (EHRs)، ورسائل المرضى الذاتية والمجموعات البيولوجية الأخرى لخدمة إدخال Llettuce. Llettuce has the following modules and functionalities: البحث عن الفكرة (s) • LLM الدعوة مع الاسم غير الرسمي (s) البحث عن قاعدة بيانات OMOP CDM • رابط المستخدم الرسمي ونشير إلى كيفية عمل Llettuce ونجاحها مقارنة مع Usagi و ChatGPT على دراسة حالة من تحويل أسماء الأدوية غير الرسمية التي تم نشرها بنفسك إلى مفهومات OMOP. 
 
 هذه الوثيقة متوفرة في archiv تحت رخصة CC BY 4.0. هذه الرسالة هي تحت تصريح CC BY 4.0. متوفرة في Archive * الكاتب المتصل: g.figueredo@nottingham.ac.uk [1] https://github.com/صحة-البيانات-UoN/صحة

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

Natural Language Processing

undefined's blog

تم إنتاج هذا الصوت باللغة الأصلية للقصة!

كيف يسهل هذا الذكاء الاصطناعي مفتوح المصدر تقييم البيانات الصحية

About Author

تعليقات

شنق العلامات

تم تقديم هذه المقالة في

Related Stories

Top 10 IoT Application Development Companies

Top Industries Which Can Benefit From Augmented Reality App Development

Top iOS & iPhone Mobile App Development Companies

Best Mobile App Development Companies

Top 10 IoT Application Development Companies

Top Industries Which Can Benefit From Augmented Reality App Development

Top iOS & iPhone Mobile App Development Companies

Best Mobile App Development Companies

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps