
 
 
 
 
 
 
 
 
 
 
 
 
 著者: (1) James Mitchell-White, Centre for Health Informatics, School of Medicine, The University of Nottingham, Digital Research Service, The University of Nottingham, and NIHR Nottingham Biomedical Research Centre; (2)Reza Omdivar、デジタル研究サービス、ノッティンガム大学およびNIHRノッティンガム生物医学研究センター (3) Esmond Urwin, Centre for Health Informatics, School of Medicine, The University of Nottingham and NIHR Nottingham Biomedical Research Centre (4)Karthikeyan Sivakumar、デジタル研究サービス、ノッティンガム大学 (5) Ruizhe Li, NIHRノッティンガム生物医学研究センターとコンピュータサイエンススクール、ノッティンガム大学; (6) Andy Rae, Centre for Health Informatics, School of Medicine, The University of Nottingham; (7) Xiaoyan Wang, Lee Kong Chian School of Medicine, Nanyang Technological University, シンガポール (8) Theresia Mina, Lee Kong Chian School of Medicine, Nanyang Technological University, シンガポール (9)John Chambers, Lee Kong Chian School of Medicine, Nanyang Technological University, Singapore and Department of Epidemiology and Biostatistics, School of Public Health, Imperial College London, United Kingdom; (10)Grazziela Figueredo、健康情報学センター、医学部、ノッティンガム大学およびNIHRノッティンガム生物医学研究センター (11) Philip R Quinlan, Centre for Health Informatics, School of Medicine, The University of Nottingham。 Authors: (1) James Mitchell-White, Centre for Health Informatics, School of Medicine, The University of Nottingham, Digital Research Service, The University of Nottingham, and NIHR Nottingham Biomedical Research Centre; (2)Reza Omdivar、デジタル研究サービス、ノッティンガム大学およびNIHRノッティンガム生物医学研究センター (3) Esmond Urwin, Centre for Health Informatics, School of Medicine, The University of Nottingham and NIHR Nottingham Biomedical Research Centre (4)Karthikeyan Sivakumar、デジタル研究サービス、ノッティンガム大学 (5) Ruizhe Li, NIHRノッティンガム生物医学研究センターとコンピュータサイエンススクール、ノッティンガム大学; (6) Andy Rae, Centre for Health Informatics, School of Medicine, The University of Nottingham; (7) Xiaoyan Wang, Lee Kong Chian School of Medicine, Nanyang Technological University, シンガポール (8) Theresia Mina, Lee Kong Chian School of Medicine, Nanyang Technological University, シンガポール (9)John Chambers, Lee Kong Chian School of Medicine, Nanyang Technological University, Singapore and Department of Epidemiology and Biostatistics, School of Public Health, Imperial College London, United Kingdom; (10)Grazziela Figueredo、健康情報学センター、医学部、ノッティンガム大学およびNIHRノッティンガム生物医学研究センター (11) Philip R Quinlan, Centre for Health Informatics, School of Medicine, The University of Nottingham。 左のテーブル 
 
 
 
 
 
 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 抽象 この論文では、オープンソースのツールであるLlettuceを紹介し、医療用語をOMOP標準概念に変換するという複雑さに対処するように設計されています。Athenaデータベース検索やUsagiなどの既存のソリューションとは異なり、セマンティックなニュアンスと闘い、実質的な手動の入力が必要なLlettuceは、非公式の医療用語を標準化された概念に変換する上で高いパフォーマンスを維持しながら、データ保護を確保し、ローカルに展開することができ、GDPRコンプライアンスに焦点を当てて開発されたLlettuceを自動化し、マッピングプロセスを強化します。 キーワード: OMOP mapping, LLMs, healthcare data mapping, natural language processing in healthcare data 1.導入 医学用語をObservable Medical Outcomes Partnership(OMOP)(OHDSI, 2024b)の標準概念に変換することは、データを見つけることができる、アクセス可能な、相互運用可能な、再利用可能な(FAIR)の重要な部分である(Wilkinson et al., 2016) 統一データ基準は、しばしば医療システム(Cholan et al., 2022; F. et al., 2022)を通じて不一致に適用され、OMOPのような共通データモデル(CDM)への標準化は、コホート発見のための強力な研究パイプラインを可能にし、信頼性と再生可能な証拠を確保する上で不可欠である。 以前の作業では、OMOP 変換プロセスをサポートするために Carrot Mapper (Cox et al., 2024) と Carrot-CDM 36 (Appleby et al., 2023) を開発しました. このスペース内のツールは、まだマニュアルを承認するかマッピングを作成するために手動の介入を必要とし、データエンジニアが用語に最も適したコード化を見つける必要がある。 Athena ウェブサイトは、医療研究におけるさまざまな医学用語、辞書、概念を検索し、探求するためのプラットフォームです。ユーザーは特定の用語を検索し、関係を表示し、詳細なメタデータを探索することができます。しかし、大規模な Athena 検索を使用することは複雑です。広範な検索を実行する際に、研究者は医療用語の複雑さと重複性、検索結果の圧倒的な量、システムパフォーマンスやデータ 48 処理能力などの技術的制約を含む課題に直面しています。 Usagi は、OMOP CDM 内の標準コンセプトへのソースコードのマッピングを容易にするために OHDSI によって開発されたもので、さまざまな医療データ源の適切な統合と調和をサポートします。 Usagi は、地元の辞書と標準化された用語の間の潜在的なマッピングを示唆するために、半自動シートマッピングアルゴリズムを使用しています。 7 String-matching は、SNOMED CT、LOINC、RxNorm などの標準化された用語の間の潜在的なマッピングにつながります。それはマッピングのための貴重なツールですが、いくつかの制限があります。 Usagi は、マッピングプロセスの一部を自動化しますが、マニュアル化の重要な アテナとUsagiの両方のデータは、印刷エラーを含むデータに対処するときにうまく機能します。しかし、薬物や条件のための非公式用語は、私たちがそれをマッピングしたい66の公式コンセプトの文字列に密接に匹敵しない可能性があります。例えば、「Now Foods omega-3」は、自己報告した患者のアンケートデータセットで見つかったサプリメントです。このサプリメントは、Now Foodsによって生産され、魚油から生成されたオメガ3製品です。この場合、薬物のブランドは入力として与えられました。OMOPコンセプトを得る前に、私たちは、報告されたブランドを「オメガ3脂肪酸」にマッピングする必要があります。正確なOMOPのマッチを見つけることができます。アテ 大型言語モデル(LLMs)は、OMOPをサポートするための比較的新しい代替手段となっています。それらはマッピングプロセスの部分を自動化し、よりセマンティックに関連するマッピングを提案しています。 医療におけるOpenAI ChatGPT(OpenAI, 2024)などの独自のツールの使用は、特にGDPRの遵守、データ保護および結果の再生可能性に関して重大な懸念を引き起こします(Deng et al., 2024; Nazi & Peng, 2024). 敏感な患者データの取り扱いは、意図しないデータ漏れや情報の誤用が発生する可能性があるため、リスクを伴います。 OpenAIおよびクラウド内の他の利用可能なLLM APIsとの相互作用がGDPRの範囲内にとどま この論文では、Llettuce[1],これらのギャップを解決するために作成されたツールを紹介します。これは、大規模な言語モデル、クエリリングシステム、およびFuzzy matchingに基づく独立した、オープンソース、適応性のある自然言語処理ツールです。この最初のバージョンはMITライセンスの下でリリースされています。医療用語は、Electronic Health Records(EHRs)、自己報告患者アンケート、およびその他の構造化されたデータセットから抽出され、Llettuceの入力として役立つことができます。 Llettuce has the following modules and functionalities: コンセプト(s)のベクター検索 • LLM 非公式な名前(s)を提示する OMOP CDM データベース検索 ●グラフィックユーザーインターフェイス 私たちは、Llettuceがどのように機能し、そのパフォーマンスをUsagiとChatGPTと比較して、自己報告の非公式な薬名をOMOPコンセプトに変換するケーススタディで示しています。 
 
 この論文は、CC BY 4.0 ライセンスの下で archiv で提供されています。 この紙は CC BY 4.0 ライセンス ARCHIV で利用可能 * 著者: g.figueredo@nottingham.ac.uk (1) HTTPS://github.com/Health-Informatics-UoN/レタス

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

Natural Language Processing

undefined's blog

このオーディオは、ストーリーの元の言語で制作されています。

このオープンソースAIが医療データのマッピングを簡素化する方法

About Author

コメント

ラベル

この記事は

Related Stories

海を航海する: データレイクを使用した本番環境レベルの RAG アプリケーションの開発

フォーラムからフィードへ: ソーシャルメディアアルゴリズムがデジタルインタラクションを形作る仕組み

HackerNoon Coded: HackerNoonが最も活発に活動している上位10カ国

ワークフローを10倍に向上させる方法: 必須アプリ17選

海を航海する: データレイクを使用した本番環境レベルの RAG アプリケーションの開発

フォーラムからフィードへ: ソーシャルメディアアルゴリズムがデジタルインタラクションを形作る仕組み

HackerNoon Coded: HackerNoonが最も活発に活動している上位10カ国

ワークフローを10倍に向上させる方法: 必須アプリ17選

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps