Development of a natural language processing application to extract and categorize mentions of violence from mental healthcare records text

Cette étude présente le développement d'une application de traitement du langage naturel basée sur le modèle BERT, capable d'extraire et de catégoriser avec une grande précision diverses formes de violence et leurs caractéristiques à partir des notes cliniques textuelles non structurées des dossiers de santé électronique en santé mentale.

L'essentiel

🕵️‍♂️ Le Détective Numérique : Chasser les violences cachées dans les dossiers médicaux

Imaginez que les dossiers médicaux des patients en santé mentale sont de vastes bibliothèques remplies de livres. Dans ces livres, les médecins écrivent tout ce qu'ils savent sur la vie des patients : leurs peurs, leurs souvenirs, leurs douleurs. Parfois, ils mentionnent des choses très dures, comme des violences subies (physiques, sexuelles, émotionnelles ou financières).

Le problème :
Ces histoires de violence sont souvent cachées au milieu de phrases longues et complexes. Elles ne sont pas rangées dans des cases bien ordonnées (comme des cases à cocher "Oui/Non"). Elles sont disséminées dans le texte libre, comme des aiguilles dans une botte de foin. Pour un chercheur humain, lire des milliers de ces livres pour trouver ces aiguilles prendrait des années et serait épuisant.

La solution proposée par l'équipe :
Les chercheurs du King's College London ont créé un super-détective numérique (une intelligence artificielle basée sur un modèle appelé BERT) capable de lire ces milliers de pages en quelques secondes et de repérer les mentions de violence.

🎯 Comment fonctionne ce détective ?

Ce n'est pas un simple détective qui cherche juste "une violence". C'est un détective très fin qui pose des questions précises à chaque phrase qu'il lit, un peu comme un enquêteur qui remplit un rapport détaillé :

1. Quel type de violence ?

   • Est-ce un coup de poing (physique) ?
   • Est-ce une insulte ou une manipulation (émotionnelle) ?
   • Est-ce qu'on lui a volé son argent (financière) ?
   • Est-ce une agression sexuelle ?
   • Analogie : C'est comme trier des fruits dans un panier : "C'est une pomme, une poire, ou une orange ?"

2. Qui est impliqué ?

   • Le patient est-il la victime (celui qui subit) ?
   • Est-il le coupable (celui qui agit) ?
   • Est-il un témoin (celui qui a vu) ?
   • Analogie : Dans une scène de crime, le détective doit savoir si la personne est le blessé, l'agresseur ou celui qui a vu passer le coupable.

3. C'est arrivé quand et où ?

   • Est-ce que c'est arrivé hier ou il y a 10 ans ?
   • Est-ce que c'est arrivé à la maison (famille, conjoint) ou ailleurs ?
   • Le défi : C'est ici que le détective a un peu de mal. Comme les médecins écrivent souvent à la manière d'un conteur qui raconte le passé ("Il m'a dit qu'il avait été frappé"), il est parfois difficile de savoir exactement quand c'est arrivé. C'est comme essayer de deviner l'heure exacte d'un événement en regardant une vieille photo floue.

4. Est-ce vrai ou juste une menace ?

   • La violence a-t-elle réellement eu lieu ?
   • Est-ce qu'on a juste menacé de le faire ?
   • Est-ce que le médecin dit "Il n'y a pas eu de violence" (négation) ?
   • Analogie : Le détective doit distinguer entre "J'ai été frappé" (réalité) et "Il a dit qu'il allait me frapper" (menace) ou "Il n'a pas été frappé" (négation).

📊 Les résultats du détective

L'équipe a entraîné ce détective avec 6 500 exemples de textes médicaux, annotés soigneusement par des humains (comme des professeurs qui corrigent les devoirs du détective).

• Ce qu'il fait très bien : Il est excellent pour repérer les violences émotionnelles, financières et physiques. Il comprend très bien si la personne est victime ou agresseur, et si la violence est réelle ou juste une menace. C'est comme un expert qui ne rate jamais un détail important.
• Ce qui est difficile : Il a du mal avec le temps (savoir si c'est arrivé il y a 1 an ou 20 ans) et avec les cas où la personne a vu la violence sans y participer (témoin), car il y a trop peu d'exemples de ce type dans les livres pour bien apprendre.

🌟 Pourquoi est-ce important ?

Avant, pour étudier le lien entre la violence et la santé mentale, les chercheurs devaient lire des milliers de dossiers à la main, ce qui était lent et limité.

Avec ce nouvel outil :

1. On peut voir plus grand : On peut analyser des centaines de milliers de dossiers pour comprendre comment la violence affecte la santé mentale de toute une population.
2. On peut mieux aider : En sachant exactement qui subit quel type de violence, les services de santé peuvent mieux cibler leur aide.
3. C'est une révolution : C'est comme passer d'une recherche à la bougie à une recherche avec un puissant projecteur. On voit enfin ce qui était caché dans l'ombre des dossiers.

En résumé :
Les chercheurs ont créé un robot lecteur ultra-intelligent capable de fouiller dans les dossiers médicaux pour y trouver les histoires de violence, de les classer par type, et de dire qui est impliqué. Bien qu'il ait encore un peu de mal à situer les événements dans le temps, c'est un outil puissant qui va aider à mieux comprendre et combattre la violence dans le monde de la santé mentale.

Résumé technique

Titre : Développement d'une application de traitement du langage naturel (NLP) pour extraire et catégoriser les mentions de violence dans les dossiers de soins de santé mentale.

1. Problématique

Les expériences de violence sont fréquemment rapportées par les utilisateurs de services de santé mentale et constituent un facteur de risque majeur pour divers troubles psychiatriques. Cependant, dans les dossiers de santé électroniques (DSE/EHR), les occurrences de violence ne sont généralement pas enregistrées sous forme de données structurées. Elles sont disséminées dans des textes narratifs libres, ce qui rend leur extraction et leur analyse systématique difficiles.

Les études antérieures utilisant le NLP sur les données de santé mentale se sont souvent limitées à des modèles de classification binaire (ex: violence vs non-violence) ou à des types spécifiques (physique/sexuelle), négligeant les dépendances entre les étiquettes et des dimensions cruciales telles que le rôle du patient (victime vs agresseur), le contexte (domestique ou non), la polarité (affirmée, niée, abstraite) et la temporalité. Il existe donc un besoin critique d'outils capables de capturer cette complexité multidimensionnelle à partir de notes cliniques non structurées.

2. Méthodologie

Source de données :
L'étude a utilisé la plateforme CRIS (Clinical Record Interactive Search) du South London and Maudsley NHS Foundation Trust, qui contient des données dé-identifiées de plus de 500 000 patients.

Collecte et Annotation des données :

• Extraction : Deux étapes de collecte de texte ont été réalisées en utilisant des mots-clés spécifiques. La première cible la violence générale, physique et sexuelle (ex: "assault", "hit", "rape"). La seconde cible la violence émotionnelle et financière (ex: "coercive", "gaslight", "financial abuse").
• Échantillon : 6 685 instances potentielles ont été extraites. Après filtrage, 6 500 segments de notes cliniques (environ 400 caractères autour du mot-clé) ont été retenus pour l'annotation.
• Annotation : Deux annotateurs ont étiqueté les données de manière indépendante en suivant un guide rigoureux.
  • Catégories étiquetées :
    • Type de violence : Émotionnelle, financière, physique (non sexuelle), sexuelle, non spécifiée, ou non pertinente.
    • Rôle du patient : Victime, agresseur (perpetrator), témoin, ou indéfini.
    • Polarité : Affirmée, abstraite (hypothétique), niée.
    • Présence : Actuelle, menace, ou incertaine.
    • Temporalité : Passé (>1 an), non passé, ou incertain.
    • Contexte : Domestique, non domestique, ou incertain.
• Qualité : Un accord inter-annotateurs robuste a été obtenu (Kappa de Cohen allant de 0,70 à 0,88).

Développement du Modèle NLP :

• Architecture : Utilisation d'un modèle BERT pré-entraîné, adapté pour la classification multi-étiquettes (multi-label sequence classification). Cette approche permet de capturer les dépendances et corrélations entre les différentes étiquettes (ex: une violence domestique impliquant souvent une victime et un contexte spécifique).
• Entraînement : Les données annotées ont été divisées en un ensemble d'entraînement/validation (90 %, n=5 849) et un ensemble de test aveugle (10 %, n=651). L'entraînement a utilisé une validation croisée à 5 plis (5-fold cross-validation).
• Équilibrage : Les ensembles de données ont été équilibrés selon le genre, l'origine ethnique et l'âge pour éviter les biais.

3. Résultats Clés

Le modèle a été évalué sur l'ensemble de test aveugle (651 instances) avec les métriques suivantes (Précision, Rappel, F1-Score) :

• Types de violence :

  • Performances excellentes pour la violence émotionnelle (F1 = 0,89), financière (F1 = 0,88) et physique non sexuelle (F1 = 0,84).
  • Performance modérée pour la violence sexuelle (F1 = 0,67), principalement due à un rappel plus faible.
  • Bonne performance pour les cas "non pertinents" (Irrelevant) et "non spécifiés".

• Rôle du patient :

  • Identification précise de l'agresseur (F1 = 0,89) et de la victime (F1 = 0,84).
  • Échec à identifier les témoins et les rôles multiples en raison d'un manque de données d'entraînement (F1 = 0,00).

• Autres caractéristiques :

  • Polarité : Très bonne détection des comportements affirmés (F1 = 0,89) et abstraits (F1 = 0,87).
  • Présence : Détection exceptionnelle de la violence réelle/actuelle (F1 = 0,95).
  • Contexte : Bonne identification du cadre domestique (F1 = 0,88).
  • Temporalité : Résultats décevants pour la distinction entre violence passée et récente (F1 = 0,65), une limitation majeure soulignée par les auteurs.

4. Contributions et Signification

Innovations Techniques et Scientifiques :

• Approche Multi-étiquettes : Contrairement aux modèles binaires précédents, cette étude utilise un classificateur multi-étiquettes capable de modéliser les relations complexes entre les différents aspects de la violence (ex: lier un type de violence à un rôle spécifique et un contexte domestique).
• Extension des catégories : C'est la première application NLP sur des dossiers de santé mentale capable d'extraire systématiquement la violence financière et émotionnelle, au-delà des violences physiques et sexuelles.
• Granularité des données : Le modèle permet de distinguer non seulement la présence de violence, mais aussi la nature de l'expérience (victime vs agresseur, menace vs acte réel, contexte domestique).

Impact Potentiel :

• Recherche : Cet outil ouvre la voie à de nouvelles études épidémiologiques à grande échelle sur les liens entre les différentes formes de violence et l'évolution des troubles de santé mentale.
• Surveillance Clinique : Il permet d'identifier des patients à risque ou des schémas de violence sous-diagnostiqués dans les dossiers routiniers, améliorant potentiellement la prise en charge clinique.
• Amélioration des Données : L'utilisation de cet outil pourrait inciter les cliniciens à documenter plus précisément les aspects de la violence, enrichissant ainsi les données de santé futures.

Limitations :

• La détection de la temporalité reste difficile en raison de l'usage fréquent du passé dans les notes cliniques et de l'absence de repères temporels clairs.
• L'identification des témoins et des rôles multiples est limitée par le manque de données d'entraînement.
• Le modèle ne distingue pas les expériences réelles des expériences délirantes ou hallucinées (les deux sont annotées comme des mentions de violence).

En conclusion, cette étude représente une avancée significative dans l'exploitation des données de santé mentale non structurées, offrant un outil puissant pour transformer la surveillance et la recherche sur la violence dans le secteur de la santé mentale.