Identifying antipsychotic treatment episodes using natural language processing and change-point detection
تقدم هذه الدراسة وتتحقق من صحة إطار عمل قابل للتوسع يجمع بين معالجة اللغات الطبيعية وكشف نقاط التغيير لإعادة بناء نوبات علاج مضادات الذهان الطولية من السجلات الصحية الإلكترونية غير المهيكلة، مما يثبت الصلاحية السريرية ويكشف عن ارتباطات جوهرية بين تعقيد العلاج واستخدام الرعاية الصحية.
المؤلفون الأصليون:Tao Wang, Hamilton Morrin, Ninoslav Majkic, David Codling, Risha Govind, Matthew Broadbent, Cecilia Casetta, Giouliana Kadra-Scalzo, Rashmi Patel, Angus Roberts, Richard Dobson, Robert Stewart, SameerTao Wang, Hamilton Morrin, Ninoslav Majkic, David Codling, Risha Govind, Matthew Broadbent, Cecilia Casetta, Giouliana Kadra-Scalzo, Rashmi Patel, Angus Roberts, Richard Dobson, Robert Stewart, Sameer Jauhar, James MacCabe
المؤلفون الأصليون: Tao Wang, Hamilton Morrin, Ninoslav Majkic, David Codling, Risha Govind, Matthew Broadbent, Cecilia Casetta, Giouliana Kadra-Scalzo, Rashmi Patel, Angus Roberts, Richard Dobson, Robert Stewart, Sameer Jauhar, James MacCabe
في عالم رعاية الصحة النفسية، غالباً ما تُكتب قصة علاج المريض في الهوامش. فعلى مدى عقود، سجل الأطباء قراراتهم بشأن الأدوية في ملاحظات انسيابية، واصفين سبب البدء بدواء ما، أو كيفية استجابة المريض له، أو متى تم تغييره. وبينما تحمل هذه السرديات التاريخ الحقيقي لرحلة المريض، إلا أنها تظل حبيسة نصوص غير منظمة، غير مرئية للحواسيب التي تدير بيانات المستشفيات. وهذا يخلق نقطة عمياء للباحثين الذين يحاولون فهم كيفية عمل العلاجات بمرور الوقت؛ إذ لا يمكنهم رؤية الصورة الكاملة بسهولة حول من يتناول أي دواء، ولأي مدة، ومتى يتغير النمط. وبدون هذا الوضوح، يصعب معرفة ما إذا كانت الممارسات الحالية تساعد المرضى أم أنها تؤدي إلى إقامات غير ضرلة في المستشفيات. لقد كان التحدي يكمن في إيجاد طريقة لقراءة آلاف الملاحظات المكتوبة بخط اليد وتحويلها إلى جدول زمني واضح ومتسلسل زمنياً يمكن للحاسوب فهمه وتحليله.
لقد طور فريق من الباحثين في "كينجز كوليدج لندن" ومؤسسة "ساوث لندن آند ماودزلي" (NHS Foundation Trust) طريقة جديدة لحل هذه المشكلة. فقد أنشأوا نظاماً يجمع بين أداتين قويتين: قارئ رقمي يفهم اللغة البشرية، وكاشف رياضي يرصد متى يتغير النمط. يقوم القارئ الرقمي، المعروف باسم "معالجة اللغات الطبيعية"، بمسح الملاحظات السريرية غير المنظمة للعثور على كل ذكر للأدوية المضادة للذهان، وهي الأدوية المستخدمة لعلاج الفصام والاضطرابات ذات الصل الصلة. وهو يستخرج اسم الدواء، والجرعة، والتاريخ الذي دُوّن فيه. ومع ذلك، فإن مجرد سرد هذه الإشارات ليس كافياً، لأن الأطباء غالباً ما يكتبون عن دواء توقفوا عن استخدامه منذ سنوات أو دواء يفكرون في استخدامه في المستقبل. ولتحديد الفترات الفعلية التي كان المريض يتناول فيها دواءً معيناً بنشاط، استخدم الفريق خوارزمية "كشف نقطة التغيير". تبحث هذه الأداة في تدفق إشارات الأدوية وتحدد اللحظات الدقيقة التي يتغير فيها النمط، مما يشير إلى انتهاء علاج معين وبدء علاج آخر.
اختبر الباحثون هذا النظام على السجلات الصحية الإلكترونية لـ 12,530 مريضاً تم تشخيص إصابتهم باضطرابات طيف الفصام بين عامي 2007 و2017. وقارنوا الجدول الزمني الذي أنشأه الحاسوب مقابل 113 حلقة علاجية تم تحديدها بعناية من قبل خببة بشريين. حقق النظام دقة عالية، حيث حدد بشكل صحيح تواريخ بدء وانتهاء فترات العلاج في غالبية الحالات. وبمجرد التحقق من صحته، طبق الفريق الطريقة على المجموعة بأكملها. واكتشفوا 24,648 حلقة علاجية متميزة، مما كشف عن خريطة تفصيلية لكيفية علاج هؤلاء المرضى على مدار عقد من الزمن. وأظهر التحليل أنه بينما استمر العديد من المرضى على دواء واحد لفترة طويلة، إلا أن جزءاً كبيراً منهم شهد أنماطاً معقدة. ففي ما يقرب من ثلث جميع الحلقات العلاجية، كان المرضى يُوصف لهم أكثر من دواء مضاد للذهان في نفس الوقت. وشمل ذلك حالات تداخل قصيرة، حيث يعطي الأطباء مؤقتاً دواءين أثناء الانتقال من دواء إلى آخر، وفترات أطول حيث يتم استخدام أدوية متعددة معاً بشكل متعمد.
كما كشفت الدراسة عن كيفية ارتباط أنماط العلاج هذه بحاجة المرضى إلى الرعاية المستشفيّة. وأظهرت البيانات أن المرضى الذين وُصف لهم أدوية متعددة مضادة للذهان في وقت واحد، أو الذين مروا بالعديد من محاولات العلاج المختلفة قبل البدء في دواء معين يسمى "كلوزابين"، كانوا أكثر عرضة للدخول إلى المستشفى والبقاء فيه لفترات أطول. وعلى العكس من ذلك، فإن المرضى الذين تلقوا نسخاً من أدويتهم عن طريق الحقن طويلة المفعول، والتي تُعطى عن طريق الحقن بدلاً من الحبوب اليومية، مالوا إلى استخدام خدمات مستشفيات أقل. ووجد الباحثون أن نوع التشخيص المحدد وخلفية المريض أيضاً لعبا دوراً، حيث أظهرت مجموعات معينة معدلات أعلى من استخدام المستشفيات. إن القدرة على إعادة بناء تاريخ العلاج طويل الأمد تلقائياً من النصوص غير المنظمة تقدم طريقة جديدة لمراقبة جودة الرعاية؛ فهي تسمح للأنظمة الصحية برؤية متى تبتعد عادات الوصفات الطبية عن الإرشادات التوجيهية في الوقت الفعلي، وتحديد المرضى الذين قد يستفيدون من تغيير في خطتهم العلاجية، كل ذلك دون الحاجة إلى فريق من الأشخاص لقراءة كل ملاحظة طبية يدوياً.
ملخص تقني: تحديد نوبات علاج مضادات الذهان باستخدام معالجة اللغات الطبيعية وكشف نقاط التغيير
بيان المشكلة تُعد الأدوية المضادة للذهان حجر الزاوية في علاج الاضطرابات من طيف الفصام، ومع ذلك، غالبًا ما ينحرف الوصف الطبي في العالم الحقيقي عن الإرشادات السريرية، لا سيما فيما يتعلق بتعدد الأدوية وتوقيت بدء استخدام الكلوزابين. إن التوصيف المنهجي لمسارات العلاج هذه أمر ضروري لفهم الانحرافات عن أفضل الممارسات وعواقبها. ومع ذلك، يوجد عائق منهجي كبير: فمعلومات الوصف الطبي تُسجل في الغالب في نصوص سريرية غير منظمة بدلاً من الحقول المنظمة. وبينما توجد سجلات وصف طبية منظمة في بعض الأنظمة الرعاية الصحية، إلا أنها تلتقط أحداث صرف منفصلة دون معلومات صريحة عن استمرارية العلاج، مما يضطر الباحثين إلى الاعتماد على عتبات فجوات تعسفية. كما أن الأساليب الحالية لإعادة بناء نوبات العلاج من النصوص الحرة عادة ما تكون مجهدة وتتطلب مراجعة يدوية للملفات، أو تعتمد على عتبات قائمة على القواعد قد لا تعكس الالتزام بالدواء في الواقع. علاوة على ذلك، بينما تم تطبيق معالجة اللغات الطبيعية (NLP) لاستخراج ذكر الأدوية، فإن هذه الأساليب غالبًا ما تلتقط إشارات منفصلة بدلاً من إعادة بناء المسارات الطولية، مما يؤدي إلى إدخال ضوضاء ناتجة عن المراجعات الروتينية، أو الإشارات التاريخية، أو تعدد الأدوية المتداخل.
المنهجية يقترح المؤلفون إطار عمل قابلاً للتوسع يدمج معالجة اللغات الطبيعية (NLP) مع كشف نقاط التغيير (CPD) لإعادة بناء نوبات علاج مضادات الذهان الطولية من السجلات الصحية الإلكترونية (EHRs) غير المنظمة. استخدمت الدراسة بيانات من 12,530 مريضًا يعانون من اضطرابات طيف الفصام (ICD-10 F20–F29) في مؤسسة جنوب لندن وماسلدري (SLaMley) لخدمات الصحة النفسية بين عامي 2007 و2017.
تكامل البيانات واستخراج معالجة اللغات الطبيعية: دمج خط المعالجة بيانات الوصفات الطبية المنظمة مع النصوص السريرية غير المنظمة. قام خط معالجة لغات طبيعية (NLP) مُتحقق من صحته باستخراج ذِكر مضادات الذهان من الملاحظات السردية، وملخصات الخروج، والمراسلات، مع ربط المترادفات والأسماء التجارية بمفردات صيدلانية معيارية. لكل حدث، أنتج النظام "توبل" (زوجاً مرتباً) يحتوي على اسم الدواء، والصيغة (عن طريق الفم أو حقن طويلة المفعول [LAI])، والجرعة، وتاريخ المستند.
نمذجة السلاسل الزمنية: لكل مريض، تم صياغة هذه السجلات المستخرجة كسلسلة زمنية فئوية منفصلة S={(ti,mi)}، حيث ti هو الطابع الزمني و mi هو متغير الدواء. ولضمان تقارب الخوارزمية، اقتصر التحليل على المرضى الذين لديهم خمسة سجلات على الأقل.
كشف نقاط التغيير (CPD): تم تطبيق خوارزمية "الوقت الخطي الدقيق المبتور" (PELT) للكشف عن التحولات المفاجئة في الخصائص الإحصائية للسلسلة الزمنية، مما يحدد النقاط التي حل فيها علاج محل آخر. بخلاف الطرق القائمة على القواعد، تستخدم PELT البرمجة الديناميكية مع آلية بتر لتحقيق تعقيد زمني متوقع قدره O(N) دون الحاجة لتحديد عدد نقاط التغيير مسبقاً.
دالة التكلفة: تم استخدام نواة دالة القاعدة الشعاعية (RBF) كدالة تكلفة خاصة بكل مقطع لالتقاط التحولات التوزيعية غير المعلمية.
المعلمات الفائقة (Hyperparameters): تم ضبط النموذج باستخدام معلمة الجزاء (β) للموازنة بين الكشف عن الانتقالات الحقيقية وضوضاء التوثيق، ومعلمة "الحجم الأدنى" لفرض حد أدنى لطول المقطع بين نقاط التغيير.
الكشف عن الاستخدام المشترك: ميز الإطار بين نوعين من الاستخدام المشترك:
تداخل الانتقال: التداخلات المؤقتة أثناء التبديل (تم اكتشافها عبر نافذة مدتها 28 يوماً حول نقاط التغيير حيث تم ذكر كلا الدوائين).
العلاج المتزامن: العلاج المشترك المستدام (يُعرف بذكر دواء مضاد للذهان ثانٍ ثلاث مرات على الأقل خلال النوبة أو مرة واحدة شهرياً).
التحقق من الصحة: تم التحقق من صحة الخوارزمية مقابل 113 نوبة تم تدوينها يدوياً من 50 مريضاً. بالإضافة إلى ذلك، قارنت عملية "التحقق من المجموعات المعروفة" أعداد نوبات العلاج بين مستخدمي الكلوزابين وغير المستخدمين له لتقييم الصلاحية السريرية على نطاق واسع. كما تم تحليل الارتباطات بين مقاييس العلاج واستخدام الرعاية الصحية باستخدام النماذج الخطية المعممة (GLMs).
النتائج الرئيسية
أداء الخوارزمية: حققت خوارزمية PELT درجة F1 بلغت 0.81 مقابل التدوينات اليدوية عند تحسينها بـ "حجم أدنى" قدره 2 وجزاء قدره 7. حدد تحليل الخطأ التحديات المتعلقة بإعادة بدء الأدوية، والسجلات المتفرقة، وتعدد الأدوية العابر.
نوبات العلاج: تم تحديد 24,648 نوبة علاجية عبر 11,731 مريضاً.
تعدد الأدوية: تم اكتشاف الاستخدام المشترك لمضادات الذهان في 31.7% من النوبات (1,989 تداخل انتقال و5,827 نوبة علاج متزامن).
الأنماط السريرية:
كان لمستخدمي الكلوزابين متوسط عدد نوبات علاج أعلى بكثير (3.3) مقارلة بغير مستخدمي الكلوزابين (1.9)، وهو ما يتوافق مع التوقعات السريرية لمرضى الفصام المقاوم للعلاج.
كان الأولانزابين هو العامل الأكثر شيوعاً في الخط الأول، يليه ريسبيريدون وأريببرازول. وكان باليبيريدون هو العامل الأكثر شيوعاً في الخط الثاني.
سجل الكلوزابين أطول متوسط مدة للنوبة (76.8 شهراً).
الارتباط مع استخدام الخدمة:
ارتبطت معدلات وصف الأدوية المشتركة الأعلى، وزيادة عدد النوبات السابقة للكلوزابين، بشكل إيجابي بزيادة حالات دخول المستشفى وطول فترات الإقامة في المستشفى.
ارتبطت النسبة المرتفعة من نوبات الحقن طويلة المفعول (LAI) بالنسبة لإجمالي النوبات بانخفاض استخدام الخدمة.
لم يرتبط سرعة التبديل (متوسط مدة النوبة) واستقرار النوبة النهائية باستخدام الخدمة بشكل معنوي.
الأهمية والادعاءات يدعي البحث أنه يقدم أول دراسة تطبق كشف نقاط التغيير (CPD) لإعادة بناء نوبات علاج مضادات الذهان المستمرة مباشرة من نصوص السجلات الصحية الإلكترونية المستخرجة عبر معالجة اللغات الطبيعية. تكمن الأهمية الأساسية في توفير نهج قابل للتوسع وتلقائي للتغلب على نقص بيانات استمرارية الوصف الطبي المنظمة في السجلات الصحية النفسية.
يؤكد المؤلفون أن هذا الإطار:
يتجاوز حدود القابلية للتوسع: يفصل بين الانتقالات السريرية الحقيقية وبين آثار التوثيق دون الحاجة إلى التجريد اليدوي المجهد الذي تتطلبه الطرق السابقة.
يلتقط التفاصيل السريرية: ينجح في التمييز بين تداخلات التدرج المتوقعة وبين العلاج المتزامن المتعمد، وهو تمييز غالباً ما يُفقد في الأساليب القائمة على القواعد.
يُمكّن التحليل اللاحق: يمكن دمج المقاييس المستمدة (مثل تعقيد العلاج، وتكرار الانتقال) في النماذج الإحصائية للكشف عن الارتباطات بين أنماط الوصف واستخدام الرعاية الصحية، مثل الارتباط بين تأخير تحسين العلاج وزيادة دخول المستشفيات.
يوفر قابلية التعميم: إن البنية النمطية، التي تتطلب فقط مدخلات سلاسل زمنية فئوية، قابلة للتكيف مع حالات مزمنة أخرى وتطبيقات محتملة في مراقبة جودة الوصف الطبي، والتنميط الآلي للمجموعات، وأنظمة دعم القرار السريري لتحديد مقاومة العلاج.
يستخدم المؤلفون نبرة متواضعة فيما يتعلق بالقيود، حيث يقرون بأن دقة خط المعالجة تعتمد على استخراج معالجة اللغات الطبيعية في المراحل الأولية، وقد تواجه تحديات في شبكات الرعاية الصحية المجزأة، وتتطلب إعادة معايرة لأنماط التوثيق المختلفة. كما يشيرون إلى أن الطبيعة الرصدية للبيانات تمنع التفسير السببي للارتباطات المذكورة.