Como o processamento de linguagem natural tem sido aplicado às notas clínicas de doenças crônicas e quais os desafios para a prática clínica?
Resposta curta: Uma revisão sistemática identificou 106 estudos sobre processamento de linguagem natural em notas clínicas de doenças crônicas. A maioria foca em classificação de fenótipos, com aumento do uso de aprendizado de máquina, mas aprendizado profundo ainda é emergente. Desafios incluem extração de relações, temporalidade e escassez de dados públicos.
Resposta
A revisão sistemática teve como objetivo fornecer uma visão abrangente do desenvolvimento e da aplicação de métodos de processamento de linguagem natural (PLN) em notas clínicas de texto livre relacionadas a doenças crônicas, incluindo a investigação dos desafios enfrentados por essas metodologias na compreensão das narrativas clínicas.
Foram seguidas as diretrizes PRISMA e realizadas buscas em 5 bases de dados usando os termos 'clinical notes', 'natural language processing' e 'chronic disease' e suas variações. Dos 2652 artigos considerados, 106 atenderam aos critérios de inclusão. A revisão identificou 43 doenças crônicas, classificadas em 10 categorias de acordo com a Classificação Internacional de Doenças, 10ª Revisão.
A maioria dos estudos focou em doenças do aparelho circulatório (n=38), enquanto as doenças endócrinas e metabólicas foram menos frequentes (n=14). Isso se deve à estrutura dos registros clínicos: doenças metabólicas geralmente contêm mais dados estruturados, enquanto as doenças circulatórias têm mais dados não estruturados, o que tem atraído mais atenção do PLN.
Observou-se um aumento significativo no uso de métodos de aprendizado de máquina em comparação com abordagens baseadas em regras; no entanto, métodos de aprendizado profundo ainda são emergentes (n=3). Consequentemente, a maioria dos trabalhos concentra-se na classificação de fenótipos de doenças, com apenas alguns abordando a extração de comorbidades do texto livre ou a integração de notas clínicas com dados estruturados.
Há uso notável de métodos relativamente simples, como classificadores rasos (ou combinação com métodos baseados em regras), devido à interpretabilidade das previsões, que ainda representa uma questão significativa para métodos mais complexos. Além disso, a escassez de dados disponíveis publicamente pode ter contribuído para o desenvolvimento insuficiente de métodos mais avançados, como a extração de word embeddings de notas clínicas.
O que o estudo mostrou
Revisão sistemática seguindo diretrizes PRISMA, com buscas em 5 bases de dados, que incluiu 106 artigos. Identificou 43 doenças crônicas em 10 categorias da CID-10. A maioria dos estudos focou em doenças do aparelho circulatório (n=38) e menos em doenças endócrinas e metabólicas (n=14). Houve aumento do uso de aprendizado de máquina em relação a abordagens baseadas em regras, mas aprendizado profundo ainda é emergente (n=3). A maioria dos trabalhos foca em classificação de fenótipos, com poucos abordando extração de comorbidades ou integração com dados estruturados.
Limitações
O resumo não informa detalhes sobre a qualidade metodológica dos estudos incluídos, nem sobre possíveis vieses de publicação. Também não são fornecidas informações sobre a heterogeneidade das populações ou dos sistemas de saúde estudados. A revisão se limita a artigos publicados em bases indexadas, o que pode ter excluído literatura cinzenta.
Aplicação no consultório
Para o médico, a revisão evidencia que o PLN pode auxiliar na extração de informações de notas clínicas, especialmente em doenças circulatórias com mais texto livre. No entanto, a implementação na prática ainda é limitada pela necessidade de métodos interpretáveis e pela escassez de dados públicos. Gestores de consultório devem considerar que a adoção de ferramentas de PLN requer validação local e atenção à estrutura dos registros, priorizando casos com maior volume de dados não estruturados.
Estudo citado
Natural Language Processing of Clinical Notes on Chronic Diseases: Systematic Review. JMIR medical informatics, 2019.
Autores: Sheikhalishahi S, Miotto R, Dudley JT, Lavelli A, Rinaldi F, Osmani V.
DOI: 10.2196/12239 · PubMed: PMID 31066697
Perguntas para aprofundar
- Quais métodos de processamento de linguagem natural são mais utilizados em notas clínicas de doenças crônicas?
- Como a estrutura dos registros clínicos influencia a aplicação de PLN em diferentes doenças crônicas?
- Quais são os principais desafios para integrar PLN à prática clínica no manejo de doenças crônicas?
Mais sobre Escriba ambiental e documentação clínica com IA
- Como o processamento de linguagem natural pode ser usado para analisar dados não estruturados de desfechos relatados por pacientes oncológicos em prontuários eletrônicos?
- Modelos prognósticos de mortalidade intra-hospitalar em UTI baseados em representações neurais de texto não estruturado são confiáveis para aplicação clínica?
- 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?
- Como o processamento de linguagem natural tem sido aplicado às notas clínicas em odontologia e qual a qualidade desses estudos?
- Quais abordagens existem para identificar seções em narrativas clínicas de prontuários eletrônicos e o que a revisão sistemática mostra sobre seu desempenho?
Todas as perguntas sobre Escriba ambiental e documentação clínica com IA · Todos os temas · Versão em markdown