Identifying antipsychotic treatment episodes using natural language processing and change-point detection
Cette étude présente et valide un cadre évolutif combinant le traitement du langage naturel et la détection de points de rupture pour reconstruire les épisodes de traitement antipsychotique longitudinaux à partir de dossiers de santé électroniques non structurés, démontrant une validité clinique et révélant des associations significatives entre la complexité du traitement et l'utilisation des soins de santé.
Article original sous licence CC BY 4.0 (https://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
Dans le monde des soins de santé mentale, l'histoire du traitement d'un patient est souvent écrite dans les marges. Pendant des décennies, les médecins ont consigné leurs décisions concernant la médication dans des notes en texte libre, décrivant pourquoi un médicament a été instauré, comment un patient a réagi, ou quand un changement a été effectué. Bien que ces récits détiennent la véritable histoire du parcours d'un patient, ils sont enfermés dans du texte non structuré, invisibles pour les ordinateurs qui gèrent les données hospitalières. Cela crée un angle mort pour les chercheurs qui tentent de comprendre comment les traitements fonctionnent au fil du temps. Ils ne peuvent pas facilement voir l'image complète de qui prend quel médicament, pendant combien de temps, et quand le schéma change. Sans cette clarté, il est difficile de savoir si les pratiques actuelles aident les patients ou si elles mènent à des séjours hospitaliers inutiles. Le défi a été de trouver un moyen de lire ces milliers de notes manuscrites et de les transformer en une chronologie claire que l'ordinateur puisse comprendre et analyser.
Une équipe de chercheurs du King's College London et du South London and Maudsley NHS Foundation Trust a développé une nouvelle méthode pour résoudre ce problème. Ils ont créé un système qui combine deux outils puissants : un lecteur numérique qui comprend le langage humain et un détecteur mathématique qui repère lorsqu'un schéma change. Le lecteur numérique, connu sous le nom de traitement du langage naturel, scanne les notes cliniques non structurées pour trouver chaque mention de médicaments antipsychotiques, les médicaments utilisés pour traiter la schizophrénie et les troubles apparentés. Il extrait le nom du médicament, la dose et la date à laquelle elle a été notée. Cependant, le simple fait de lister ces mentions ne suffit pas, car les médecins écrivent souvent à propos d'un médicament qu'ils ont arrêté il y a des années ou d'un médicament qu'ils envisagent pour le futur. Pour trouver les périodes réelles où un patient prenait activement un médicament spécifique, l'équipe a utilisé un algorithme de détection de points de rupture. Cet outil examine le flux de mentions de médicaments et identifie les moments exacts où le schéma change, signalant qu'un traitement s'est terminé et qu'un autre a commencé.
Les chercheurs ont testé ce système sur les dossiers de santé électroniques de 12 530 patients diagnostiqués avec des troubles du spectre de la schizophrénie entre 2007 et 2017. Ils ont comparé la chronologie de l'ordinateur à 113 épisodes de traitement qui avaient été soigneusement marqués par des experts humains. Le système a fonctionné avec une grande précision, identifiant correctement les dates de début et de fin des périodes de traitement dans la grande majorité des cas. Une fois validée, l'équipe a appliqué la méthode à l'ensemble du groupe de patients. Ils ont découvert 24 648 épisodes de traitement distincts, révélant une carte détaillée de la manière dont ces patients ont été traités sur une décennie. L'analyse a montré que si de nombreux patients sont restés sous un seul médicament pendant longtemps, une partie significative a connu des schémas complexes. Dans près d'un tiers de tous les épisodes de traitement, les patients se voyaient prescrire plus d'un antipsychotique en même temps. Cela incluait à la fois des chevauchements courts, où les médecins donnaient temporairement deux médicaments lors d'un changement de traitement, et des périodes plus longues où plusieurs médicaments étaient utilisés ensemble intentionnellement.
L'étude a également mis en lumière la façon dont ces schémas de traitement sont liés au besoin des patients de soins hospitaliers. Les données ont montré que les patients qui se voyaient prescrire plusieurs antipsychotiques en même temps, ou qui passaient par de nombreuses tentatives de traitement différentes avant de commencer un médicament spécifique appelé clozapine, étaient plus susceptibles d'être hospitalisés et d'y rester plus longtemps. Inversement, les patients qui recevaient des versions à action prolongée de leur médication, qui sont administrées par injection plutôt que par comprimé quotidien, avaient tendance à utiliser moins de services hospitaliers. Les chercheurs ont constaté que le type spécifique de diagnostic et le profil du patient jouaient également un rôle, certains groupes présentant des taux d'utilisation hospitalière plus élevés. La capacité de reconstruire automatiquement ces historiques de traitement à long terme à partir de textes désordonnés offre une nouvelle façon de surveiller la qualité des soins. Cela permet aux systèmes de santé de voir, en temps réel, quand les habitudes de prescription s'écartent des directives et d'identifier les patients qui pourraient bénéficier d'un changement dans leur plan de traitement, le tout sans nécessiter qu'une équipe de personnes lise chaque note médicale à la main.
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.