Como o processamento de linguagem natural tem sido aplicado à extração de entidades e relações em textos clínicos livres, e o que isso já chegou à prática clínica?
Resposta curta: Revisão sistemática de 94 estudos mostrou que métodos de aprendizado de máquina dominam a extração de informações em texto clínico livre, com modelos baseados em Transformer apresentando melhor desempenho. Porém, poucos estudos definiram claramente a tarefa clínica, relataram uso fora do ambiente experimental ou compartilharam modelos e ferramentas, o que limita conclusões sobre generalização e tradução para a prática.
Resposta
A revisão sistemática reuniu estudos publicados de 2010 até a data da busca, em bases como PubMed, Scopus e bibliotecas de associações de linguística computacional e de máquinas, focando sistemas de processamento de linguagem natural que realizam extração de informações e de relações de propósito geral em texto clínico não estruturado, como sumários de alta. Foram incluídos 94 estudos, sendo 30 publicados nos últimos três anos, o que indica desenvolvimento rápido e recente da área.
Os métodos de aprendizado de máquina foram usados em 68 estudos, os baseados em regras em 5 e ambos em 22. Quanto ao foco, 63 estudos trataram de reconhecimento de entidades nomeadas, 13 de extração de relações e 18 realizaram ambas as tarefas. As entidades extraídas com mais frequência foram 'problema', 'teste' e 'tratamento'. Sobre as fontes de dados, 72 estudos usaram conjuntos públicos e 22 usaram apenas conjuntos proprietários.
Os autores destacam que métodos baseados em aprendizado de máquina dominaram o campo, e que, mais recentemente, modelos de linguagem baseados em Transformer assumiram a liderança, com o melhor desempenho. No entanto, esses avanços se apoiam em poucos conjuntos de dados e em anotações genéricas, com pouquíssimos casos de uso no mundo real. Isso levanta questões sobre a generalização dos achados e sobre a tradução para a prática.
A revisão também aponta lacunas de avaliação clínica: apenas 14 estudos definiram claramente uma tarefa clínica ou de informação a ser resolvida pelo sistema, e somente três relataram seu uso fora do ambiente experimental. Além disso, apenas 7 estudos compartilharam um modelo pré-treinado e apenas 8 disponibilizaram uma ferramenta de software. Para o médico, o recado é que a tecnologia é promissora, mas a evidência de aplicabilidade clínica ainda é limitada e exige avaliação robusta antes de incorporação.
O que o estudo mostrou
Trata-se de uma revisão sistemática que incluiu 94 estudos, 30 deles publicados nos últimos três anos. Métodos de aprendizado de máquina foram usados em 68 estudos, regras em 5 e ambos em 22. O reconhecimento de entidades nomeadas foi foco de 63 estudos, a extração de relações de 13 e ambas em 18. As entidades mais extraídas foram 'problema', 'teste' e 'tratamento'. Conjuntos públicos foram usados em 72 estudos e proprietários em 22. Apenas 14 estudos definiram claramente a tarefa clínica, três relataram uso fora do ambiente experimental, 7 compartilharam modelo pré-treinado e 8 uma ferramenta de software.
Limitações
O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos nem sobre heterogeneidade entre eles. Os próprios autores apontam que os avanços se baseiam em poucos conjuntos de dados e anotações genéricas, com poucos casos de uso real, o que limita conclusões sobre generalização e tradução para a prática. O resumo também não informa métricas de desempenho nem características dos pacientes ou instituições envolvidas.
Aplicação no consultório
Para a prática clínica e a gestão do consultório, a revisão sugere cautela: ferramentas de processamento de linguagem natural para extrair informações de textos clínicos livres ainda têm pouca demonstração de uso fora do ambiente experimental e poucos modelos e softwares compartilhados. Ao avaliar soluções de documentação clínica ou de apoio administrativo, o médico deve verificar se a tarefa clínica está claramente definida, se há avaliação robusta e se o desempenho foi testado em dados representativos da sua realidade, antes de adotar a tecnologia na rotina.
Estudo citado
Clinical named entity recognition and relation extraction using natural language processing of medical free text: A systematic review. International journal of medical informatics, 2023.
Autores: Fraile Navarro D, Ijaz K, Rezazadegan D, Rahimi-Ardabili H, Dras M, Coiera E, Berkovsky S.
DOI: 10.1016/j.ijmedinf.2023.105122 · PubMed: PMID 37295138
Perguntas para aprofundar
- Quais entidades clínicas são mais frequentemente extraídas por sistemas de processamento de linguagem natural em texto clínico livre?
- Modelos baseados em Transformer já têm evidência de uso na prática clínica real?
- Como avaliar a generalização de ferramentas de processamento de linguagem natural antes de adotá-las no consultório?
Mais sobre Escriba ambiental e documentação clínica com IA
- Como a inteligência artificial pode transformar o atendimento de emergência?
- Como o processamento de linguagem natural pode ser usado para analisar dados não estruturados de desfechos relatados por pacientes oncológicos em prontuários eletrônicos?
- A inteligência artificial já pode automatizar a codificação ICD de forma confiável na prática clínica?
- Como a inteligência artificial e o aprendizado de máquina podem ser aplicados na radioterapia oncológica, incluindo visão computacional e processamento de linguagem natural?
- O uso de aprendizado de máquina para prever internações hospitalares por todas as causas em adultos é confiável para aplicação clínica?
Todas as perguntas sobre Escriba ambiental e documentação clínica com IA · Todos os temas · Versão em markdown