
 
 
 
 
 
 
 
 
 
 
 
 
 Автори : (1) Джеймс Мітчелл-Вайт, Центр інформатики охорони здоров'я, Школа медицини, Університет Ноттінгема, Служба цифрових досліджень, Університет Ноттінгема та Центр біомедичних досліджень NIHR Ноттінгем; (2) Реза Омдівар, Служба цифрових досліджень, Університет Ноттінгема та Центр біомедичних досліджень Ноттінгема NIHR; (3) Есмонд Урвін, Центр інформатики охорони здоров'я, Школа медицини, Університет Ноттінгема та Центр біомедичних досліджень Ноттінгема NIHR; (4) Картикеян Сівакумар, Служба цифрових досліджень, Університет Ноттінгема; (5) Ruizhe Li, NIHR Нотінгемський біомедичний дослідницький центр та школа комп'ютерних наук, Університет Нотінгема; (6) Енді Ре, Центр інформатики охорони здоров'я, Школа медицини, Університет Ноттінгема; (7) Xiaoyan Wang, Лі Конг Chian Школа медицини, Наньянський технологічний університет, Сінгапур; (8) Терезія Міна, Лі-Конг-Чіанська школа медицини, Наньянський технологічний університет, Сінгапур; (9) Джон Чемберс, Лі-Конг-Чіанська школа медицини, Наньянський технологічний університет, Сінгапур та Департамент епідеміології та біостатистики, Школа громадського здоров'я, Імперський коледж Лондона, Великобританія; (10) Grazziela Figueredo, Центр інформатики охорони здоров'я, Школа медицини, Університет Ноттінгема та Центр біомедичних досліджень NIHR Nottingham; (11) Філіп Р. Квінлан, Центр інформатики охорони здоров'я, Школа медицини, Університет Ноттінгема. Authors: (1) Джеймс Мітчелл-Вайт, Центр інформатики охорони здоров'я, Школа медицини, Університет Ноттінгема, Служба цифрових досліджень, Університет Ноттінгема та Центр біомедичних досліджень NIHR Ноттінгем; (2) Реза Омдівар, Служба цифрових досліджень, Університет Ноттінгема та Центр біомедичних досліджень Ноттінгема NIHR; (3) Есмонд Урвін, Центр інформатики охорони здоров'я, Школа медицини, Університет Ноттінгема та Центр біомедичних досліджень Ноттінгема NIHR; (4) Картикеян Сівакумар, Служба цифрових досліджень, Університет Ноттінгема; (5) Ruizhe Li, NIHR Нотінгемський біомедичний дослідницький центр та школа комп'ютерних наук, Університет Нотінгема; (6) Енді Ре, Центр інформатики охорони здоров'я, Школа медицини, Університет Ноттінгема; (7) Xiaoyan Wang, Лі Конг Chian Школа медицини, Наньянський технологічний університет, Сінгапур; (8) Терезія Міна, Лі-Конг-Чіанська школа медицини, Наньянський технологічний університет, Сінгапур; (9) Джон Чемберс, Лі-Конг-Чіанська школа медицини, Наньянський технологічний університет, Сінгапур та Департамент епідеміології та біостатистики, Школа громадського здоров'я, Імперський коледж Лондона, Великобританія; (10) Grazziela Figueredo, Центр інформатики охорони здоров'я, Школа медицини, Університет Ноттінгема та Центр біомедичних досліджень NIHR Nottingham; (11) Філіп Р. Квінлан, Центр інформатики охорони здоров'я, Школа медицини, Університет Ноттінгема. Лівий стіл 
 
 
 
 
 
 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 абстрактні Цей документ представляє Llettuce, інструмент з відкритим кодом, розроблений для вирішення складності перетворення медичних термінів в стандартні концепції OMOP. На відміну від існуючих рішень, таких як пошук бази даних Athena і Usagi, які борються з семантичними нюансами і вимагають значного ручного введення, Llettuce використовує передові процеси обробки природної мови, включаючи великі мовні моделі та незрозумілі відповіді, для автоматизації та покращення процесу мапірування. Розроблений з акцентом на відповідність GDPR, Llettuce може бути розгорнутий локально, забезпечуючи захист даних, зберігаючи високу продуктивність у перетворенні неформальних медичних термінів на стандартизовані концепції. Ключові слова: OMOP мапірування, LLM, мапірування даних охорони здоров'я, обробка природної мови в даних охорони здоров'я 1 Введення Перетворення медичних термінів на стандартні концепції Observable Medical Outcomes Partnership (OMOP) (OHDSI, 2024b) є важливою частиною створення даних, які можуть бути знайдені, доступні, сумісні та повторно використані (FAIR) (Wilkinson et al., 2016). Єдині стандарти даних часто застосовуються невідповідно по системах охорони здоров'я (Cholan et al., 2022; F. et al., 2022), а стандартизація до загальної моделі даних (CDM), наприклад, OMOP, є фундаментальною у забезпеченні надійних дослідницьких трубопроводів для відкриття когорт, а також у забезпеченні надійних і відтворюваних доказів. Процес перетворення даних в OMOP, однак, є складним, і вимагає не тільки зна У попередній роботі ми розробили Carrot Mapper (Cox et al., 2024), і Carrot-CDM 36 (Appleby et al., 2023) для підтримки процесу перетворення OMOP. Інструменти в цьому просторі все ще вимагають ручного втручання для затвердження або створення мапірувань, де інженеру даних потрібно знайти найбільш підходящу кодифікацію для терміну. Веб-сайт Athena є платформою для пошуку та вивчення різних медичних термінологій, словників та концепцій у галузі медичних досліджень. Користувачі можуть шукати конкретні терміни, переглядати їхні відносини та досліджувати детальні метадані. Використання масштабного пошуку Athena, однак, ускладнюється. При проведенні обширних пошуків дослідники стикаються з проблемами, включаючи складність та перекриття медичних словників, переважний обсяг результатів пошуку та технічні обмеження, такі як продуктивність системи та можливості обробки даних 48. Usagi був розроблений OHDSI для полегшення мапірування вихідних кодів до стандартних концепцій в рамках OMOP CDM. Він підтримує правильну інтеграцію та гармонізацію різних джерел даних охорони здоров'я. Usagi використовує напівавтоматизовані алгоритми збігу рядків, щоб запропонувати потенційні мапірування між місцевими словниками та стандартизованими термінологіями, такими як SNOMED CT, LOINC та RxNorm. Це цінний інструмент для мапірування, але він має кілька обмежень. Хоча він автоматизує частину процесу мапірування, він вимагає значного ручного огляду, який займає багато часу і схильний до людських помилок та невизначеності. 7 String-matching потенційно може призвести до неточних Обидва дані Athena і Usagi добре працюють при справі з даними з типографічними помилками. Але неформальні терміни для ліків або умов можуть не тісно збігатися з рядком 66 формальної концепції, до якої ми хотіли б її охарактеризувати. Наприклад, "Now Foods omega-3" - це доповнення, знайдене в наборі даних про опитування пацієнтів, про які повідомлялося самостійно. Ця доповнення виробляється Now Foods, і є омега-3 продуктом, отриманим з риб'ячого жиру. У цьому випадку бренд препарату був наданий як вхід. Перед отриманням концепції OMOP ми повинні охарактеризувати зареєстрований бренд до "омега-3 жирних кислот", для якого знайдено точну відповідь OMOP. Великі мовні моделі (LLM) тепер є відносно новою альтернативою підтримці OMOP. Вони автоматизують частини процесу мапірування, при цьому пропонуючи більш семантично релевантні мапірування. Використання власних інструментів, таких як OpenAI ChatGPT (OpenAI, 2024) в охороні здоров'я, однак, викликає значні занепокоєння, особливо щодо відповідності GDPR, захисту даних та відтворюваності результатів (Deng et al., 2024; Nazi & Peng, 2024). Обробка чутливих даних пацієнтів становить ризики, оскільки можуть виникнути випадкові витоки даних або зловживання інформацією. Забезпечення того, що взаємодії з OpenAI та іншими доступними API LLM в хмарі залишаються в межах меж GDPR У цій статті ми представляємо Llettuce[1], інструмент, створений для вирішення цих прогалин. Це автономний, відкритого коду, адаптивний інструмент для обробки природної мови, заснований на великих мовних моделях, системах запитів та розмитих відповідях для перетворення медичних термінів у стандартний словниковий запас OMOP. Ця перша версія випускається під ліцензією MIT. Медичні терміни можуть бути вилучені з електронних записів здоров'я (EHR), самостійно повідомлених анкет пацієнта та інших структурованих наборів даних, щоб служити введенням для Llettuce. Llettuce has the following modules and functionalities: • Векторне пошук концепції (s) • LLM запрошення з неформальним ім'ям (і) • Огляд бази даних OMOP CDM • Графічний інтерфейс користувача Ми демонструємо, як Llettuce працює і його продуктивність порівняно з Usagi і ChatGPT на тематичному дослідженні перетворення самозвітних неформальних назв лікарських препаратів в концепції OMOP. 
 
 Цей документ доступний під ліцензією CC BY 4.0. Цей документ є під ліцензією CC BY 4.0. Доступно в архіві * Кореспондент автора: g.figueredo@nottingham.ac.uk [1] https://github.com/Health-Informatics-UoN/інтернет

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

Natural Language Processing

undefined's blog

Це аудіо створено мовою оригіналу історії!

Як цей інтелектуальний інтелект з відкритим кодом спрощує картографію даних про охорону здоров'я

About Author

КОМЕНТАРІ

ПОВІСИТИ БИРКИ

ЦЯ СТАТТЯ БУЛА ПРЕДСТАВЛЕНА В

Related Stories

Light-Mode

Classic

Newspaper

Minty

Dark-Mode

Neon Noir

Minty

HN StartUps