Cannabis Use Documentation within the Electronic Health Record: A Use Case for Natural Language Processing Methods

Cette étude démontre qu'un modèle de traitement du langage naturel (Bio-ClinicalBERT) peut identifier et classifier efficacement l'utilisation du cannabis dans les notes cliniques non structurées des dossiers de santé électroniques, révélant une prévalence de 9 % chez les patients et des associations significatives avec d'autres facteurs de risque.

L'essentiel

🌿 Le Grand Détective des Mots : Comment l'IA a trouvé l'herbe cachée dans les dossiers médicaux

Imaginez que les dossiers médicaux électroniques (les EHR) soient une immense bibliothèque remplie de millions de livres. La plupart des informations importantes sont écrites dans des tableaux bien rangés (comme la taille, le poids, ou le groupe sanguin). Mais il y a un problème : les médecins écrivent souvent des notes à la main (ou à la machine) sous forme de texte libre, comme des lettres personnelles ou des histoires racontées à la volée.

Dans ces notes, les médecins mentionnent parfois que leurs patients utilisent du cannabis (marijuana). Le souci ? Ces informations sont cachées dans le texte, noyées parmi des milliers de mots sur la douleur du genou ou la grippe. Pour un ordinateur classique, c'est comme chercher une aiguille dans une botte de foin, ou pire, essayer de trouver un mot précis dans un océan de texte sans savoir ce qu'il signifie vraiment.

L'objectif de l'étude :
Les chercheurs voulaient créer un super-détective numérique (une intelligence artificielle) capable de lire ces millions de pages de notes, de comprendre le contexte et de dire : "Ah ! Ici, le médecin parle bien de l'utilisation de cannabis par le patient, et pas seulement du mot 'cannabis' utilisé dans un autre sens."

🔍 Comment ont-ils fait ? (La recette du détective)

1. La liste de mots-clés (Le filet de pêche) :
   D'abord, ils ont créé une liste de mots suspects : marijuana, weed, THC, CBD, joint, pot, etc. Ils ont utilisé cette liste pour pêcher dans l'océan des dossiers et récupérer tous les passages où ces mots apparaissaient.

   • Le piège : Le mot "pot" peut aussi vouloir dire "pot de fleur" ou faire partie du mot "hypotension". Le mot "CBD" peut désigner le canal cholédoque (une partie du foie) et pas la drogue.
   • La solution : Ils ont nettoyé la pêche pour ne garder que les vrais cas de cannabis, en éliminant les fausses pistes.

2. L'entraînement avec des humains (L'école de police) :
   Avant de laisser l'IA travailler seule, ils ont pris un échantillon de notes et demandé à des humains de les lire et de les classer manuellement. Ils ont appris à l'IA à distinguer :

   • Est-ce que le patient utilise vraiment ?
   • Est-ce pour un usage médical ou récréatif ?
   • Est-ce que c'est actuel ou dans le passé ?
     C'est comme entraîner un chien de police : on lui montre des exemples de "vrais" et de "faux" pour qu'il apprenne à flairer la bonne piste.

3. La course des robots (Les modèles) :
   Ils ont testé quatre types de détecteurs différents. Le grand gagnant s'appelle Bio-ClinicalBERT. C'est un modèle d'intelligence artificielle très avancé, un peu comme un étudiant en médecine qui a lu des millions de livres médicaux et qui comprend le langage humain bien mieux qu'un simple logiciel de recherche de mots.

🏆 Les Résultats : Ce que le détective a découvert

Grâce à ce super-détective, ils ont pu analyser les dossiers de 1,7 million de patients sur 10 ans. Voici ce qu'ils ont vu :

• La découverte : Environ 9 % des patients avaient une mention de cannabis dans leurs dossiers. C'est beaucoup plus que ce qu'on voyait avant, mais cela reste probablement en dessous de la réalité (car beaucoup de gens n'osent pas en parler).
• Le profil type : Les patients identifiés comme utilisateurs de cannabis avaient tendance à avoir un poids plus élevé (un IMC plus grand) et étaient beaucoup plus susceptibles de consommer d'autres substances.
  • L'analogie : Imaginez que si vous trouvez quelqu'un qui fume du cannabis, il y a de fortes chances (environ 10 fois plus) qu'il fume aussi du tabac, boive de l'alcool ou ait consommé d'autres drogues. C'est comme un "paquet de vices" qui va souvent ensemble.
• La précision : Le détective IA était presque aussi bon qu'un humain pour trouver ces informations. Il ne s'est pas trompé souvent.

💡 Pourquoi est-ce important ? (Le message à retenir)

Aujourd'hui, si un médecin prescrit un médicament, il ne sait pas toujours si son patient fume du cannabis, car cette info est cachée dans des notes illisibles pour l'ordinateur.

Grâce à cette étude, on peut maintenant transformer ces notes en données claires.

• Pour le médecin : Cela permet d'éviter les mauvaises interactions entre médicaments et cannabis (comme deux voitures qui se percutent sur la route).
• Pour la recherche : Cela permet de mieux comprendre qui utilise du cannabis, pourquoi, et quels sont les risques pour la santé publique.

En résumé :
Les chercheurs ont pris une montagne de textes médicaux confus et y ont installé un traducteur intelligent. Ce traducteur a réussi à extraire une information cruciale (l'usage de cannabis) qui était auparavant invisible, nous donnant une image beaucoup plus claire de la santé de la population, un peu comme si on passait d'une photo floue à une image en haute définition.

Résumé technique

1. Problématique

L'information sur la consommation de cannabis (récréative et médicale) est souvent présente dans les dossiers de santé électroniques (DSE/EHR) sous forme de texte libre (notes cliniques, rapports d'infirmières, etc.) plutôt que dans des champs structurés. Cette absence de structuration rend l'information difficilement exploitable pour les cliniciens (interactions médicamenteuses, décisions thérapeutiques) et les chercheurs (épidémiologie). Bien que des études antérieures aient utilisé le traitement du langage naturel (NLP) pour identifier la consommation de cannabis, elles se sont souvent limitées à des sous-populations spécifiques (ex. : patients psychiatriques, pédiatries). Il existe un besoin de valider une méthode capable d'extraire et de classifier la consommation de cannabis à partir de notes non structurées sur une population large et non stratifiée.

2. Méthodologie

L'étude a été menée au sein du système de santé intégré Geisinger (Pennsylvanie, USA) sur une période de dix ans (2013-2022), couvrant plus de 1,7 million de patients.

• Construction du jeu de données :

  • Un lexique de termes liés au cannabis (ex. : 'marijuana', 'THC', 'CBD', 'weed', 'joint', etc.) a été utilisé pour filtrer les notes.
  • Un processus de nettoyage rigoureux a été appliqué pour éliminer les faux positifs contextuels (ex. : 'pot' dans 'neti pot', 'CBD' pour 'Common Bile Duct', 'joint' pour douleur articulaire).
  • Les notes ont été tronquées à 300 caractères avant et après le terme clé, aboutissant à un échantillon analytique final de 2,79 millions de notes.

• Annotation manuelle :

  • Une équipe a annoté manuellement 3 650 notes selon six catégories : Mention vraie, Usage patient, Indication d'usage, Usage médical, Usage actuel, et Antécédents d'usage.
  • La fiabilité inter-annotateurs était élevée (Kappa > 0,83 pour la plupart des catégories).

• Développement des modèles NLP :
  Quatre modèles ont été entraînés et comparés pour classer les notes dans les catégories susmentionnées :

  1. Régression logistique (LR) avec régularisation Elastic Net.
  2. Machines à vecteurs de support (SVM) avec noyau linéaire.
  3. BERT (modèle transformateur générique).
  4. Bio-ClinicalBERT (modèle transformateur pré-entraîné sur des données biomédicales).
  • L'évaluation a été réalisée via une validation croisée en 5 plis, utilisant les métriques de précision, de rappel et de score F (F-score).

• Analyse des résultats :
  Le modèle le plus performant a été appliqué à l'ensemble des notes non étiquetées pour identifier les patients consommateurs de cannabis et comparer leurs caractéristiques démographiques et cliniques à celles de la population globale.

3. Contributions Clés

• Preuve de concept à grande échelle : Démonstration qu'il est possible d'extraire des données sur la consommation de cannabis à partir de notes non structurées couvrant une population entière d'un système de santé, sans stratification préalable.
• Comparaison de modèles : Évaluation comparative entre des modèles traditionnels (LR, SVM) et des modèles basés sur l'architecture Transformer (BERT, Bio-ClinicalBERT) dans un contexte clinique réel.
• Cadre d'annotation robuste : Création d'un schéma d'annotation détaillé en six catégories pour distinguer la nature de la mention (vraie, actuelle, médicale, historique), avec une forte fiabilité inter-annotateurs.
• Infrastructure de données : Mise en place d'un pipeline de nettoyage de données capable de gérer les ambiguïtés sémantiques courantes dans les notes médicales.

4. Résultats

• Performance des modèles :

  • Le modèle Bio-ClinicalBERT a obtenu les meilleures performances globales, se rapprochant de l'annotation humaine.
  • Pour les catégories critiques « Mention vraie » et « Indication d'usage », Bio-ClinicalBERT a atteint un F-score pondéré de 92,4 % (Précision : 91,4 %, Rappel : 93,3 %).
  • Les modèles SVM ont légèrement surpassé Bio-ClinicalBERT pour les catégories « Usage médical » et « Usage actuel », mais Bio-ClinicalBERT a excellé pour « Usage patient » et « Antécédents ».
  • La distinction entre usage médical et récréatif reste difficile pour tous les modèles (F-scores plus faibles, 45-68 %), reflétant la complexité sémantique des notes cliniques.

• Prévalence et caractéristiques des patients :

  • Sur 1,76 million de patients, 150 726 (8,6 %) ont été identifiés comme consommateurs de cannabis via les notes EHR.
  • Profil démographique : Les consommateurs avaient un âge moyen similaire à la population globale (37,6 ans vs 38,1 ans), mais une proportion plus faible de patients >65 ans et <18 ans. Ils étaient plus susceptibles d'être de race noire et moins susceptibles d'être asiatiques.
  • Comorbidités et comportements :
    • IMC : Les consommateurs avaient un IMC moyen plus élevé (28,5 vs 26,9) et une prévalence plus forte d'obésité (36,8 % vs 23,9 %).
    • Co-morbidités de substances : Les consommateurs de cannabis étaient 10 fois plus susceptibles de consommer du tabac et de l'alcool, et 9 fois plus susceptibles d'utiliser des substances illicites par rapport à la population globale.

5. Signification et Implications

• Amélioration des soins : L'automatisation de l'extraction de ces données permet d'intégrer la consommation de cannabis dans les alertes d'interactions médicamenteuses et d'aider les cliniciens à poser des diagnostics liés à l'usage (ex. : syndrome d'hyperémèse cannabinoïde).
• Recherche épidémiologique : Cette approche offre un moyen scalable d'étudier les tendances de consommation et les profils de risque à l'échelle d'une population entière, au-delà des limites des enquêtes déclaratives.
• Limites et perspectives : Bien que performant pour l'identification de l'usage, le modèle peine encore à distinguer avec certitude l'usage médical du récréatif, une distinction souvent floue dans les notes cliniques. L'étude souligne la nécessité de normes de documentation plus claires et de l'utilisation future de l'IA générative pour affiner ces extractions.
• Conclusion : L'étude valide l'utilisation du NLP, et spécifiquement des modèles transformateurs comme Bio-ClinicalBERT, pour transformer des données non structurées en informations cliniques actionnables, posant les bases pour une meilleure compréhension de l'impact du cannabis sur la santé publique.