Quais abordagens de processamento de linguagem natural têm sido usadas para extrair eventos adversos a medicamentos de notas clínicas?
Resposta curta: Uma revisão sistemática identificou que a extração de eventos adversos a medicamentos de notas clínicas é tratada como reconhecimento de entidades nomeadas e extração de relações, com abordagens baseadas em regras, aprendizado de máquina, aprendizado profundo, híbridas e modelos de linguagem de grande porte, usando principalmente os conjuntos de dados MADE 1.0, TAC 2017 e n2c2 2018.
Resposta
A extração de eventos adversos a medicamentos (ADE) de notas clínicas não estruturadas é tema relevante para a farmacovigilância e para estudos de medicação de pacientes. A revisão sistemática buscou mapear os métodos desenvolvidos por pesquisadores de processamento de linguagem natural (NLP) para essa tarefa, incluindo a extração dos eventos e de seus atributos relacionados.
Os autores realizaram buscas em bases biomédicas e multidisciplinares, seguindo as diretrizes PRISMA 2020. Foram obtidas 5.537 publicações entre 2015 e 2023; após critérios de inclusão e exclusão, 100 passaram por revisão de texto completo e 82 foram consideradas para análise. O resumo não detalha os critérios específicos de elegibilidade nem a qualidade metodológica dos estudos incluídos.
Os resultados mostram um padrão geral de extração de ADEs baseado em duas tarefas: reconhecimento de entidades nomeadas (NER) e extração de relações (RE). Estudos que trataram ambas simultaneamente adotaram abordagens de pipeline (n = 22), tarefa conjunta (n = 7) ou aprendizado multitarefa (n = 6); outros trataram apenas NER (n = 27) ou apenas RE (n = 20).
As abordagens foram agrupadas em baseadas em regras (n = 8), aprendizado de máquina (n = 11), aprendizado profundo (n = 32), comparação de duas ou mais abordagens (n = 11), híbridas (n = 12) e modelos de linguagem de grande porte (n = 8). Os conjuntos de dados mais utilizados foram MADE 1.0, TAC 2017 e n2c2 2018.
A conclusão destaca que a extração de ADEs é importante para farmacovigilância e medicação de pacientes, e que a revisão apresenta avanços, abordagens, conjuntos de dados e desempenho do estado da arte, além de desafios e direções futuras. O resumo não informa métricas específicas de desempenho nem comparações quantitativas entre as abordagens.
O que o estudo mostrou
Revisão sistemática com buscas em PubMed, Medline, IEEE Xplore, Scopus, ScienceDirect e ACL Anthology, seguindo PRISMA 2020. De 5.537 artigos obtidos entre 2015 e 2023, 100 foram revisados em texto completo e 82 analisados. O padrão de extração envolve NER e RE, com abordagens de pipeline (n = 22), tarefa conjunta (n = 7), multitarefa (n = 6), apenas NER (n = 27) ou apenas RE (n = 20), e métodos baseados em regras, aprendizado de máquina, aprendizado profundo, híbridos e modelos de linguagem de grande porte.
Limitações
O resumo não informa limitações específicas do estudo nem detalha a qualidade metodológica dos artigos incluídos. Também não apresenta métricas de desempenho, comparações quantitativas entre abordagens ou dados sobre aplicabilidade clínica, de modo que as conclusões se restringem ao panorama descritivo das abordagens, conjuntos de dados e tendências identificadas.
Aplicação no consultório
Para a prática clínica e a gestão do consultório, o panorama indica que ferramentas de NLP para extrair eventos adversos de notas clínicas ainda estão em desenvolvimento metodológico, com diversidade de abordagens e conjuntos de dados. O médico gestor pode acompanhar esses avanços ao avaliar sistemas de apoio à farmacovigilância, mas o resumo não fornece evidências de desempenho clínico que justifiquem adoção imediata na rotina.
Estudo citado
Extracting adverse drug events from clinical Notes: A systematic review of approaches used. Journal of biomedical informatics, 2024.
Autores: Modi S, Kasmiran KA, Mohd Sharef N, Sharum MY.
DOI: 10.1016/j.jbi.2024.104603 · PubMed: PMID 38331081
Perguntas para aprofundar
- Como o reconhecimento de entidades nomeadas e a extração de relações se complementam na identificação de eventos adversos a medicamentos?
- Quais conjuntos de dados são mais usados em pesquisas de extração de eventos adversos de notas clínicas?
- Quais desafios ainda existem para aplicar modelos de linguagem de grande porte na extração de eventos adversos?
Mais sobre LLMs e chatbots clínicos
- Modelos de linguagem de inteligência artificial superam métodos convencionais na análise de textos médicos?
- O que a revisão sistemática sobre modelos de linguagem de grande porte em ortopedia mostra sobre seu desempenho e aplicações?
- Modelos de linguagem de grande porte (LLMs) já podem ser usados com segurança na prática clínica em saúde mental?
- Agentes conversacionais baseados em inteligência artificial para doenças crônicas: o que a literatura sistemática revela?
- Quais são as aplicações e a efetividade dos agentes conversacionais baseados em inteligência artificial na saúde, segundo uma revisão guarda-chuva sistemática?
Todas as perguntas sobre LLMs e chatbots clínicos · Todos os temas · Versão em markdown