
 
 
 
 
 
 
 
 
 
 
 
 
 Autori : (1) James Mitchell-White, Center for Health Informatics, School of Medicine, The University of Nottingham, Digital Research Service, The University of Nottingham i NIHR Nottingham Biomedical Research Centre; (2) Reza Omdivar, Digital Research Service, Sveučilište u Nottinghamu i NIHR Nottingham Biomedical Research Centre; (3) Esmond Urwin, Centar za zdravstvenu informatiku, Medicinska škola, Sveučilište u Nottinghamu i NIHR Nottingham Biomedical Research Centre; (4) Karthikeyan Sivakumar, Služba za digitalna istraživanja, Sveučilište Nottingham; (5) Ruizhe Li, NIHR Nottingham Biomedical Research Centre i School of Computer Science, Sveučilište u Nottinghamu; (6) Andy Rae, Centar za zdravstvenu informatiku, Medicinska škola, Sveučilište u Nottinghamu; (7) Xiaoyan Wang, Lee Kong Chian School of Medicine, Nanyang Technological University, Singapur; (8) Theresia Mina, Lee Kong Chian School of Medicine, Nanyang Technological University, Singapur; (9) John Chambers, Lee Kong Chian School of Medicine, Nanyang Technological University, Singapur i Odjel za epidemiologiju i biostatistiku, School of Public Health, Imperial College London, Ujedinjena Kraljevina; (10) Grazziela Figueredo, Centar za zdravstvenu informatiku, Medicinska škola, Sveučilište u Nottinghamu i NIHR Nottingham Biomedical Research Centre; (11) Philip R Quinlan, Centar za zdravstvenu informatiku, Medicinska škola, Sveučilište u Nottinghamu. Authors: (1) James Mitchell-White, Center for Health Informatics, School of Medicine, The University of Nottingham, Digital Research Service, The University of Nottingham i NIHR Nottingham Biomedical Research Centre; (2) Reza Omdivar, Digital Research Service, Sveučilište u Nottinghamu i NIHR Nottingham Biomedical Research Centre; (3) Esmond Urwin, Centar za zdravstvenu informatiku, Medicinska škola, Sveučilište u Nottinghamu i NIHR Nottingham Biomedical Research Centre; (4) Karthikeyan Sivakumar, Služba za digitalna istraživanja, Sveučilište Nottingham; (5) Ruizhe Li, NIHR Nottingham Biomedical Research Centre i School of Computer Science, Sveučilište u Nottinghamu; (6) Andy Rae, Centar za zdravstvenu informatiku, Medicinska škola, Sveučilište u Nottinghamu; (7) Xiaoyan Wang, Lee Kong Chian School of Medicine, Nanyang Technological University, Singapur; (8) Theresia Mina, Lee Kong Chian School of Medicine, Nanyang Technological University, Singapur; (9) John Chambers, Lee Kong Chian School of Medicine, Nanyang Technological University, Singapur i Odjel za epidemiologiju i biostatistiku, School of Public Health, Imperial College London, Ujedinjena Kraljevina; (10) Grazziela Figueredo, Centar za zdravstvenu informatiku, Medicinska škola, Sveučilište u Nottinghamu i NIHR Nottingham Biomedical Research Centre; (11) Philip R Quinlan, Centar za zdravstvenu informatiku, Medicinska škola, Sveučilište u Nottinghamu. stolovi lijeve strane 
 
 
 
 
 
 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 Abstrakcija Ovaj članak predstavlja Llettuce, alat otvorenog koda dizajniran za rješavanje složenosti pretvaranja medicinskih termina u standardne koncepte OMOP-a. Za razliku od postojećih rješenja kao što su pretraživanje baza podataka Athena i Usagi, koji se bore sa semantičkim nijansama i zahtijevaju značajan ručni unos, Llettuce iskorištava naprednu obradu prirodnog jezika, uključujući velike jezikovne modele i nejasno podudaranje, kako bi automatizirao i poboljšao proces mapiranja. Ključne riječi: OMOP mapping, LLM, mapping zdravstvenih podataka, obrada prirodnog jezika u zdravstvenim podacima 1. uvod Konverzija medicinskih pojmova u standardne koncepte Observable Medical Outcomes Partnership (OMOP) (OHDSI, 2024b) važan je dio stvaranja podataka pronađenih, pristupačnih, interoperabilnih i ponovljivih (FAIR) (Wilkinson et al., 2016). Jedinstveni standardi podataka često se primjenjuju nedosljedno diljem zdravstvenih sustava (Cholan et al., 2022; F. et al., 2022), a standardizacija u zajednički model podataka (CDM), kao što je OMOP, ključna je u omogućavanju robusnih istraživačkih kanala za otkrivanje kohort, te osiguravanju pouzdanih i reproduktivnih dokaza. Proces pretvaranja podataka u OMOP, međutim, je složen i ne zahtijeva samo poznavanje specifične domene podataka, već često suradnju U prethodnom radu razvijali smo Carrot Mapper (Cox et al., 2024), i Carrot-CDM 36 (Appleby et al., 2023) kako bi podržali proces pretvaranja OMOP. alatiranje unutar ovog prostora još uvijek zahtijeva ručnu intervenciju za odobravanje ili stvaranje mappinga, gdje inženjer podataka mora pronaći najprikladniju kodifikaciju za termin. Stranica Athena je platforma za pretraživanje i istraživanje različitih medicinskih terminologija, rječnika i pojmova u istraživanju zdravstvene skrbi. Korisnici mogu pretraživati određene pojmove, pregledati njihove odnose i istražiti detaljne metapodatke. Međutim, korištenje istraživanja Athena u veličini je komplicirano. Kada provode opsežne pretrage, istraživači se suočavaju s izazovima, uključujući složenost i preklapanje medicinskih rječnika, ogroman volumen rezultata pretraživanja i tehničke ograničenja, kao što su performanse sustava i mogućnosti rukovanja podacima 48. Usagi je razvio OHDSI kako bi olakšao mapiranje izvornih kodova na standardne koncepte unutar OMOP CDM-a. Podržava ispravnu integraciju i usklađivanje različitih izvora podataka o zdravstvenoj skrbi. Usagi koristi poluautomatske algoritme za usklađivanje niza niza kako bi predložio potencijalne mape između lokalnih vokabula i standardiziranih terminologija kao što su SNOMED CT, LOINC i RxNorm. To je vrijedan alat za mape, ali ima nekoliko ograničenja. Dok automatizira dio procesa mape, zahtijeva značajan ručni pregled, što je vremenski zahtjevno i sklono ljudskim pogreškama i neizvjesnostima. 7 String-matching može potencijalno dovesti do netočnih mape, posebno kada se radi o nejas I Athena i Usagi podaci dobro rade kada se bave podacima s tipografskim pogreškama. No neformalni uvjeti za lijekove ili uvjete možda se ne podudaraju s nizom 66 formalnih koncepata na koje želimo mapirati. Na primjer, "Now Foods omega-3" je dodatak koji se nalazi u skupu podataka o upitniku pacijenata koji je samostalno prijavljen. Ovaj dodatak proizvodi Now Foods i je omega-3 proizvod dobiven od ribljeg ulja. U ovom slučaju, brand lijeka je dat kao unos. Prije dobivanja OMOP koncepta, moramo mapirati prijavljenu marku na "omega-3 masne kiseline", za koje se nalazi točna OMOP usklađenost. Korištenjem pretraživača Athena, na primjer, niz usklađenosti sugerira koncepte poput "Calcium ascorbate Veliki jezični modeli (LLM) sada su relativno nova alternativa za podršku OMOP-u. Oni automatiziraju dijelove procesa mapiranja dok predlažu više semantički relevantne mape. Korištenje vlastitih alata, kao što je OpenAI ChatGPT (OpenAI, 2024) u zdravstvenoj skrbi, međutim, izaziva znatne zabrinutosti, osobito u pogledu usklađenosti GDPR-a, zaštite podataka i reproduktivnosti rezultata (Deng et al., 2024; Nazi & Peng, 2024). Rješavanje osjetljivih podataka o pacijentima predstavlja rizik, jer se mogu dogoditi nenamjerni curenje podataka ili zlouporaba informacija. Osiguravanje da interakcije s OpenAI-om i drugim dostupnim LLM API-ima u oblaku ostanu unutar granica GDPR-a je izazov, U ovom članku predstavljamo Llettuce[1], alat stvoren za rješavanje tih praznina. To je samostalan, otvorenog izvora, prilagodljiv alat za obradu prirodnog jezika koji se temelji na velikim jezikovnim modelima, sustavima upita i nejasnom podudaranju za pretvaranje medicinskih termina u standardni rječnik OMOP. Ova prva verzija je objavljena pod MIT licencom. Medicinski termini mogu se izvlačiti iz elektroničkih zdravstvenih zapisa (EHR-ova), samoraportiranih upitnika pacijenata i drugih strukturiranih skupova podataka kako bi služili kao ulaz za Llettuce. Llettuce has the following modules and functionalities: • Vektorsko pretraživanje koncepta (a) • LLM poziv s neformalnim imenom(ima) • pretraživanje OMOP CDM baze podataka • Grafički korisnički sučelje Pokazujemo kako Llettuce djeluje i njegove performanse u usporedbi s Usagi i ChatGPT-om na studiji slučaja pretvaranja neformalnih imena lijekova koje se prijavljuju sami u OMOP koncepte. 
 
 Ovaj dokument je dostupan na arhivu pod licencom CC BY 4.0. Ovaj dokument je dostupan na arhivu pod licencom CC BY 4.0. * Korisni autor: g.figueredo@nottingham.ac.uk [1] HTTPS://github.com/Health-Informatics-UoN/sjeverna Koreja

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

Natural Language Processing

undefined's blog

Ovaj zvuk je proizveden na izvornom jeziku priče!

Kako ova AI s otvorenim izvorom pojednostavljuje prikupljanje podataka o zdravstvenoj skrbi

About Author

KOMENTARI

VIJESI OZNAKE

OVAJ ČLANAK JE PREDSTAVLJEN U

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps