
 
 
 
 
 
 
 
 
 
 
 
 
 Авторы : (1) Джеймс Митчелл-Уайт, Центр информатики в области здравоохранения, Медицинская школа, Университет Ноттингема, Служба цифровых исследований, Университет Ноттингема и Центр биомедицинских исследований NIHR Ноттингема; (2) Реза Омдивар, Служба цифровых исследований, Университет Ноттингема и Центр биомедицинских исследований Ноттингема NIHR; (3) Эсмонд Урвин, Центр информатики в области здравоохранения, Медицинская школа, Университет Ноттингема и Центр биомедицинских исследований Ноттингема NIHR; (4) Картикеян Сивакумар, Служба цифровых исследований, Университет Ноттингема; Ruizhe Li, NIHR Нотингемский биомедицинский исследовательский центр и школа компьютерных наук, Университет Нотингема; (6) Энди Рай, Центр информатики в области здравоохранения, Школа медицины, Университет Ноттингема; (7) Xiaoyan Wang, Lee Kong Chian School of Medicine, Nanyang Technological University, Сингапур; (8) Терезия Мина, Lee Kong Chian School of Medicine, Nanyang Technological University, Сингапур; (9) Джон Чэмберс, Lee Kong Chian School of Medicine, Nanyang Technological University, Сингапур и Департамент эпидемиологии и биостатистики, Школа общественного здравоохранения, Imperial College London, Великобритания; (10) Grazziela Figueredo, Центр информатики в области здравоохранения, Медицинская школа, Университет Ноттингема и Центр биомедицинских исследований NIHR Nottingham; (11) Филип Р. Куинлан, Центр информатики в области здравоохранения, Школа медицины, Университет Ноттингема. Authors: (1) Джеймс Митчелл-Уайт, Центр информатики в области здравоохранения, Медицинская школа, Университет Ноттингема, Служба цифровых исследований, Университет Ноттингема и Центр биомедицинских исследований NIHR Ноттингема; (2) Реза Омдивар, Служба цифровых исследований, Университет Ноттингема и Центр биомедицинских исследований Ноттингема NIHR; (3) Эсмонд Урвин, Центр информатики в области здравоохранения, Медицинская школа, Университет Ноттингема и Центр биомедицинских исследований Ноттингема NIHR; (4) Картикеян Сивакумар, Служба цифровых исследований, Университет Ноттингема; Ruizhe Li, NIHR Нотингемский биомедицинский исследовательский центр и школа компьютерных наук, Университет Нотингема; (6) Энди Рай, Центр информатики в области здравоохранения, Школа медицины, Университет Ноттингема; (7) Xiaoyan Wang, Lee Kong Chian School of Medicine, Nanyang Technological University, Сингапур; (8) Терезия Мина, Lee Kong Chian School of Medicine, Nanyang Technological University, Сингапур; (9) Джон Чэмберс, Lee Kong Chian School of Medicine, Nanyang Technological University, Сингапур и Департамент эпидемиологии и биостатистики, Школа общественного здравоохранения, Imperial College London, Великобритания; (10) Grazziela Figueredo, Центр информатики в области здравоохранения, Медицинская школа, Университет Ноттингема и Центр биомедицинских исследований NIHR Nottingham; (11) Филип Р. Куинлан, Центр информатики в области здравоохранения, Школа медицины, Университет Ноттингема. Стол слева 
 
 
 
 
 
 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 абстрактный В этой статье представлен Llettuce, инструмент с открытым исходным кодом, предназначенный для решения сложностей преобразования медицинских терминов в стандартные концепции OMOP. В отличие от существующих решений, таких как поиск баз данных Athena и Usagi, которые борются с семантическими нюансами и требуют существенного ручного ввода, Llettuce использует передовую обработку естественного языка, включая большие языковые модели и расплывчатое сопоставление, для автоматизации и усовершенствования процесса картографирования. Разработанный с акцентом на соответствие GDPR, Llettuce можно развернуть локально, обеспечивая защиту данных при сохранении высокой производительности при преобразовании неформальных медицинских терминов в стандартизированные концепции. Ключевые слова: OMOP mapping, LLMs, картографирование данных здравоохранения, обработка естественного языка в данных здравоохранения 1 Введение Преобразование медицинских терминов в стандартные концепции Observable Medical Outcomes Partnership (OMOP) (OHDSI, 2024b) является важной частью создания данных, которые могут быть найдены, доступны, совместимы и повторно использованы (FAIR) (Wilkinson et al., 2016). Унифицированные стандарты данных часто применяются несовместимо во всех системах здравоохранения (Cholan et al., 2022; F. et al., 2022), а стандартизация в общую модель данных (CDM), такую как OMOP, является фундаментальной для обеспечения надежных исследовательских трубопроводов для открытия кохорты и обеспечения надежных и воспроизводимых доказательств. Процесс преобразования данных в OMOP, однако, сложен, и требует не только знания конкретной области данных, но часто сотрудничества от инженеров данных, В предыдущей работе мы разработали Carrot Mapper (Cox et al., 2024), и Carrot-CDM 36 (Appleby et al., 2023) для поддержки процесса конверсии OMOP. Инструменты в этом пространстве все еще требуют ручного вмешательства для одобрения или создания картографий, где инженеру данных нужно найти наиболее подходящую кодификацию для термина. Веб-сайт Athena является платформой для поиска и изучения различных медицинских терминологий, словарей и концепций в исследованиях в области здравоохранения. Пользователи могут искать конкретные термины, просматривать свои отношения и исследовать подробные метаданные. Однако использование масштабного поиска Athena является сложным. При проведении обширных поисков исследователи сталкиваются с проблемами, включая сложность и перекрытие медицинских слов, подавляющий объем результатов поиска и технические ограничения, такие как производительность системы и возможности обработки данных 48. Кроме того, стандартизация разнообразных наборов данных в области здравоохранения представляет трудности в обеспечении согласованности между различными терминологиями. Usagi был разработан OHDSI для облегчения картографирования исходных кодов в стандартные концепции в рамках OMOP CDM. Он поддерживает правильную интеграцию и гармонизацию различных источников данных здравоохранения. Usagi использует полуавтоматизированные алгоритмы сопоставления строк, чтобы предложить потенциальные картографирования между местными словарями и стандартизированными терминологиями, такими как SNOMED CT, LOINC и RxNorm. Это ценный инструмент для картографирования, но он имеет несколько ограничений. В то время как он автоматизирует часть процесса картографирования, он требует значительного ручного обзора, что требует времени и склонно к человеческой ошибке и неопределенности. 7 String-matching может потенциально привести к неточным картографированию, особенно когда дело до Как данные Athena, так и Usagi хорошо работают, когда дело доходит до данных с типографическими ошибками. Но неформальные термины для лекарств или состояний могут не соответствовать строке формальной концепции 66, к которой мы хотим ее отнести. Например, «Now Foods omega-3» является дополнением, найденным в наборе данных о опросах пациентов, о которых сообщалось самостоятельно. Эта добавка производится компанией Now Foods, и является продуктом омега-3, полученным из рыбного масла. В этом случае бренд препарата был предоставлен в качестве ввода. Прежде чем получить концепцию OMOP, нам нужно отнести зарегистрированный бренд к «омега-3 жирным кислотам», для которого найдено точное соответствие OMOP. Используя поисковую систему Athena, например, строка соответствия Большие языковые модели (LLM) теперь являются относительно новой альтернативой поддержке OMOP. Они автоматизируют части процесса картографирования, предлагая более семантически релевантные картографирования. Использование собственных инструментов, таких как OpenAI ChatGPT (OpenAI, 2024) в здравоохранении, однако, вызывает значительные опасения, в частности, в отношении соответствия GDPR, защиты данных и воспроизводимости результатов (Deng et al., 2024; Nazi & Peng, 2024). Обработка чувствительных данных пациентов несет риски, поскольку могут произойти случайные утечки данных или неправильное использование информации. Обеспечение того, что взаимодействие с OpenAI и другими доступными API LLM в облаке остается в пределах GDPR, является сложной задачей, особенно когда дело доходит до идентифицируемой информации о В этой статье мы представляем Llettuce[1], инструмент, созданный для устранения этих пробелов. Это автономный, с открытым исходным кодом, адаптивный инструмент обработки естественного языка, основанный на больших языковых моделях, системах запросов и расплывчатых сопоставлениях для преобразования медицинских терминов в стандартный словарь OMOP. Эта первая версия выпущена под лицензией MIT. Медицинские термины могут быть извлечены из электронных записей о здоровье (EHR), самостоятельно отчитываемых анкет пациентов и других структурированных наборов данных, чтобы служить входом для Llettuce. Llettuce has the following modules and functionalities: • Векторный поиск концепции (s) • LLM просьба с неформальным именем (именами) Поиск баз данных OMOP CDM • Графический пользовательский интерфейс Мы демонстрируем, как работает Llettuce и его производительность по сравнению с Usagi и ChatGPT на тематическом исследовании преобразования саморегистрированных неформальных наименований лекарств в концепции OMOP. 
 
 Данная статья доступна в архиве под лицензией CC BY 4.0. Эта бумага является Под лицензией CC BY 4.0. Доступно в архиве * Соответствующий автор: g.figueredo@nottingham.ac.uk [1] https://github.com/Health-Informatics-UoN/университет

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

Natural Language Processing

undefined's blog

Этот звук создан на языке оригинала истории!

Как этот ИИ с открытым исходным кодом упрощает картографирование данных здравоохранения

About Author

КОММЕНТАРИИ

БИРКИ

ЭТА СТАТЬЯ БЫЛА ПРЕДСТАВЛЕНА В

Related Stories

Повысьте свою производительность с помощью этих 18 инструментов разработчика 🚀🔥

Valhalla Флоки станет ассоциированным спонсором индийского тура по Шри-Ланке

Нажмите, чтобы заработать: Telegram может привлечь следующие 10 миллиардов пользователей криптовалюты до Соланы

Хотите выиграть конкурс HackerNoon? Вот что рекомендуют победители конкурса #crypto-api

Повысьте свою производительность с помощью этих 18 инструментов разработчика 🚀🔥

Valhalla Флоки станет ассоциированным спонсором индийского тура по Шри-Ланке

Нажмите, чтобы заработать: Telegram может привлечь следующие 10 миллиардов пользователей криптовалюты до Соланы

Хотите выиграть конкурс HackerNoon? Вот что рекомендуют победители конкурса #crypto-api

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps