A Neurosymbolic Approach for Constructing Planning Domain Models from Clinical Narratives
Cet article introduit NSPIN, un cadre neurosymbolique qui combine les grands modèles de langage avec une validation empirique pour construire automatiquement des modèles de domaines de planification probabilistes à partir de récits cliniques non structurés, répondant efficacement aux défis des actions implicites et de la rareté des données dans les flux de travail chirurgicaux complexes.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Les hôpitaux sont remplis d'histoires écrites dans les marges des soins aux patients. Les chirurgiens consignent leur travail dans des notes détaillées, décrivant comment ils ont géré les complications uniques d'un patient spécifique, d'une perforation d'organe à une infection inattendue. Depuis des décennies, ce savoir est resté piégé à l'intérieur des dossiers individuels, utile uniquement pour la personne qui l'a écrit ou l'équipe soignant ce patient spécifique. Il n'a jamais été rassemblé en une image unique et claire de la manière dont ces procédures fonctionnent réellement à travers des milliers de cas. Les scientifiques ont longtemps voulu transformer ces récits désordonnés et manuscrits en un ensemble formel de règles — une carte logique montrant exactement ce qui doit se passer avant qu'un chirurgien puisse passer à l'étape suivante, et ce qui pourrait résulter de celle-ci. Ce type de carte est essentiel pour construire une intelligence artificielle capable d'aider à former de nouveaux médecins, de réviser automatiquement les notes chirurgicales ou même de guider de futurs systèmes robotiques. Le défi est que le langage humain est plein de raccourcis et d'implicites. Un chirurgien peut écrire qu'il a « placé un port » sans mentionner qu'il a d'abord dû faire une incision, car pour lui, cette étape est si évidente qu'elle n'a pas besoin d'être dite. Les ordinateurs, cependant, ne peuvent pas deviner ce qui est évident ; ils ont besoin que chaque étape soit explicitement énoncée pour comprendre la logique de l'opération.
Une équipe de chercheurs a développé une nouvelle méthode pour résoudre ce problème, transformant des milliers de notes chirurgicales non structurées en un modèle logique précis d'une chirurgie pédiatrique courante appelée appendicectomie laparoscopique. Cette procédure, qui consiste à retirer un appendice enflammé par de petites incisions, est fréquemment pratiquée dans les hôpitaux pour enfants, fournissant un riche ensemble de données de plus de 2 600 notes réelles écrites par neuf chirurgiens différents. Les chercheurs ont créé un système qui agit comme un pont entre la nature fluide du langage humain et les exigences rigides de la logique informatique. Ils appellent ce système NSPIN. Il fonctionne en utilisant d'abord un modèle de langage puissant, un type d'intelligence artificielle entraîné sur de vastes quantités de texte, pour lire les notes brutes et extraire les actions et les observations spécifiques mentionnées. Comme les notes sont souvent incomplètes, le système utilise ensuite ce même modèle de langage pour combler les lacunes, en déduisant les étapes cachées qu'un chirurgien aurait accomplies mais qu'il n'a pas notées. Enfin, il utilise un autre type de logique mathématique pour organiser ces étapes en un plan cohérent, vérifiant le travail par rapport aux données pour s'assurer que les règles sont sensées.
Le processus commence par la lecture du texte brut d'une note chirurgicale. Le système identifie les événements clés, tels que la réalisation d'une incision ou la pose d'un instrument chirurgical, et les dispose dans l'ordre où ils se sont produits. Cependant, les chercheurs ont découvert que la simple lecture du texte ne suffisait pas. Les chirurgiens omettent souvent de noter les protocoles universels ou les étapes intermédiaires évidentes, laissant l'ordinateur avec une chaîne d'événements brisée. Pour y remédier, le système demande au modèle de langage d'agir comme un expert clinique, suggérant les étapes manquantes qui relient logiquement les événements enregistrés. Par exemple, si une note mentionne qu'un appendice a été retiré, le système déduit que la base de l'appendice a dû être sécurisée au préalable, même si le chirurgien ne l'a pas explicitement écrit. Cette étape est cruciale car elle permet de récupérer le savoir silencieux que les experts portent en eux mais qu'ils consignent rarement sur papier. Le système génère plusieurs versions possibles de ces étapes manquantes, puis les combine, ne conservant que celles sur lesquelles la majorité des versions générées s'accordent, garantissant ainsi que la séquence finale est robuste et fiable.
Une fois que le système possède une séquence complète et ordonnée des événements pour chaque chirurgie, il construit un modèle formel qui décrit les règles de l'opération. Ce modèle définit quelles conditions doivent être remplies avant qu'une action spécifique puisse être entreprise et quels sont les résultats probables de cette action. Par exemple, il apprend qu'un chirurgien ne peut pas placer un port chirurgical tant qu'une incision n'a pas été faite, et que le placement du port peut mener à la découverte d'adhérences, ou tissus cicatriciels, ce qui nécessite ensuite une procédure spécifique pour les retirer. Les chercheurs ont testé cette approche en la comparant à des méthodes qui reposaient uniquement sur le modèle de langage sans l'étape de vérification logique. Ils ont constaté que l'approche combinée était bien supérieure. Le système qui utilisait les règles logiques pour affiner les suggestions du modèle de langage a produit un modèle bien plus performant pour prédire ce qui se passerait ensuite dans une chirurgie et pour identifier quelles actions étaient réellement possibles à n'importe quel moment donné.
Les résultats ont montré que le système pouvait apprendre des notes de neuf chirurgiens différents et créer un ensemble général de règles qui fonctionnait pour tous, même lorsqu'il était testé sur les notes d'un chirurgien qu'il n'avait jamais vu auparavant. Lorsque les chercheurs ont demandé à des experts médicaux de réviser les étapes que le système avait déduites, les experts ont confirmé que les étapes manquantes étaient cliniquement correctes et nécessaires. Dans un cas, le système a correctement récupéré l'information selon laquelle un chirurgien avait refermé la paroi abdominale avec un type spécifique de suture, même si l'extracteur d'informations avait initialement échoué à l'extraire d'une note stipulant explicitement : « La fascia ombilicale a été fermée avec une suture Vicryl 0 ». Dans un autre cas, il a déduit que la sécurisation de la base de l'appendice était un prérequis à sa section, une nécessité logique qui n'était pas explicitement énoncée dans le texte. Ces découvertes démontrent que le système peut réussir à traduire le savoir implicite et non écrit des experts humains en un format formel et utilisable.
L'étude a également révélé que le fait de s'appuyer uniquement sur le modèle de langage, sans le raffinement logique, menait à des erreurs. Le modèle de langage seul avait tendance à créer des règles trop lâches ou trop restrictives, manquant souvent les véritables relations de cause à effet qui régissent une procédure chirurgicale. En combinant la capacité du modèle de langage à comprendre le texte et la capacité d'un système symbolique à imposer une cohérence logique, les chercheurs ont créé un modèle qui soit à la fois assez flexible pour gérer la variété de l'écriture humaine et assez strict pour être digne de confiance par les machines. Cette approche suggère une voie à suivre pour construire l'intelligence artificielle dans des domaines à enjeux élevés comme la médecine, où comprendre le « pourquoi » derrière une action est tout aussi important que de connaître le « quoi ». Ce travail ne prétend pas avoir résolu tous les problèmes de l'automatisation chirurgicale, mais il fournit une méthode éprouvée pour transformer le vaste historique non structuré des soins aux patients en un fondement structuré pour de futurs outils qui pourraient améliorer la sécurité des patients et la formation chirurgicale.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.