Quais abordagens existem para identificar seções em narrativas clínicas de prontuários eletrônicos e o que a revisão sistemática mostra sobre seu desempenho?
Resposta curta: A revisão sistemática identificou 39 estudos com métodos muito variados, dependentes do tipo de narrativa e da seção. A maioria usou métodos baseados em regras, seguidos por aprendizado de máquina e abordagens híbridas. Métodos híbridos superaram os de aprendizado de máquina puro, mas ficaram abaixo dos baseados em regras, com escopo mais ambicioso. Poucos estudos relataram testes em configuração formal.
Resposta
A identificação de seções no conteúdo narrativo de prontuários eletrônicos tem sido estudada como forma de melhorar tarefas de extração clínica, mas ainda não há entendimento compartilhado sobre o conceito e os métodos existentes. Esta revisão sistemática buscou reunir e analisar as abordagens automáticas ou semiautomáticas propostas para essa tarefa, oferecendo à comunidade de processamento de linguagem natural clínica uma análise formal do tema.
Foram incluídos artigos das bases SCOPUS, Web of Science e PubMed, de janeiro de 1994 a setembro de 2018, com critérios de elegibilidade predefinidos e recomendações PRISMA. Após a seleção, 39 estudos foram analisados. As abordagens variaram bastante conforme o tipo de narrativa, o tipo de seção e a aplicação, o que dificulta uma comparação direta entre os métodos e reforça a heterogeneidade do campo.
Do ponto de vista técnico, os métodos foram classificados em baseados em regras, aprendizado de máquina e combinação de ambos. Os métodos híbridos apresentaram melhores resultados que os de aprendizado de máquina puro, mas inferiores aos baseados em regras; no entanto, seu escopo era mais ambicioso que o destes últimos. A maioria dos estudos propôs métodos formais, enquanto parte adaptou métodos previamente criados.
A maior parte dos estudos era voltada para textos em inglês e para resumos de alta hospitalar. Quase todos os estudos recorreram a dicionários personalizados, usados em conjunto com terminologia controlada, mais comumente o metatesauro UMLS. Apenas parte dos estudos conseguiu identificar seções explícitas e implícitas, e pouco mais da metade era capaz de identificar seções, mas não subseções.
Apesar dos resultados promissores de desempenho, poucos estudos relataram testes em configuração formal. A revisão conclui que a identificação de seções em narrativas de prontuários eletrônicos ganha popularidade para aprimorar projetos de extração clínica, mas a padronização de conceitos e de avaliação ainda é limitada, o que deve orientar escolhas metodológicas na prática.
O que o estudo mostrou
Revisão sistemática com artigos de SCOPUS, Web of Science e PubMed, de janeiro de 1994 a setembro de 2018, seguindo critérios de elegibilidade e recomendações PRISMA, que selecionou 39 estudos. As abordagens variaram conforme narrativa, seção e aplicação; 57% propuseram métodos formais e 43% adaptaram métodos prévios; a maioria era para textos em inglês e 41% para resumos de alta hospitalar; 46% identificavam seções explícitas e implícitas; 54% identificavam seções, mas não subseções; tecnicamente, 59% eram baseados em regras, 22% em aprendizado de máquina e 19% combinação.
Limitações
O resumo não informa detalhes sobre a qualidade individual dos estudos incluídos nem sobre a população de pacientes. Os próprios autores apontam que poucos estudos relataram testes em configuração formal, e a grande variação entre narrativas, tipos de seção e aplicações limita comparações diretas entre os métodos. A ausência de entendimento compartilhado sobre o conceito de seção também restringe a generalização dos achados.
Aplicação no consultório
Para o médico que participa de projetos de extração de dados ou da escolha de ferramentas de documentação clínica, a revisão sugere que métodos baseados em regras e híbridos podem ser considerados, mas com expectativas realistas, pois poucos foram testados em configuração formal. Na gestão do consultório, ao avaliar sistemas que organizam narrativas de prontuários, é prudente verificar se a ferramenta identifica seções explícitas e implícitas e se usa terminologia controlada, como o UMLS, além de checar a validação do método antes da adoção.
Estudo citado
Current approaches to identify sections within clinical narratives from electronic health records: a systematic review. BMC medical research methodology, 2019.
Autores: Pomares-Quimbaya A, Kreuzthaler M, Schulz S.
DOI: 10.1186/s12874-019-0792-y · PubMed: PMID 31319802
Perguntas para aprofundar
- Como métodos baseados em regras, aprendizado de máquina e híbridos se comparam na identificação de seções em prontuários eletrônicos?
- Quais tipos de seção e de narrativa clínica são mais frequentemente abordados nessa tarefa?
- O que falta para que a identificação de seções em narrativas clínicas seja validada em configuração formal?
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?
- A inteligência artificial já pode automatizar a codificação ICD de forma confiável na prática clínica?
- Modelos de inteligência artificial baseados em prontuário eletrônico são eficazes para detecção precoce de sepse em pacientes hospitalizados?
- Modelos de machine learning para diagnóstico e prognóstico de infecção em cuidados pós-agudos já superam os modelos tradicionais?
- 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?
Todas as perguntas sobre Escriba ambiental e documentação clínica com IA · Todos os temas · Versão em markdown