Identifying antipsychotic treatment episodes using natural language processing and change-point detection
Questo studio presenta e valida un framework scalabile che combina l'elaborazione del linguaggio naturale e la rilevazione dei punti di cambiamento per ricostruire gli episodi longitudinali di trattamento antipsicotico da cartelle cliniche elettroniche non strutturate, dimostrando validità clinica e rivelando associazioni significative tra la complessità del trattamento e l'utilizzo delle risorse sanitarie.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Nel mondo dell'assistenza alla salute mentale, la storia del trattamento di un paziente è spesso scritta nei margini. Per decenni, i medici hanno registrato le loro decisioni riguardanti i farmaci in note a testo libero, descrivendo perché un farmaco è stato iniziato, come un paziente ha risposto o quando è stato effettuato un cambio. Sebbene queste narrazioni contengano la vera storia del percorso di un paziente, esse sono racchiuse in testi non strutturati, invisibili ai computer che gestiscono i dati ospedalieri. Ciò crea un punto cieco per i ricercatori che cercano di comprendere come funzionano i trattamenti nel tempo. Non possono vedere facilmente il quadro completo di chi sta assumendo quale medicina, per quanto tempo e quando il modello cambia. Senza questa chiarezza, è difficile sapere se le pratiche attuali stiano aiutando i pazienti o se stiano portando a ricoveri ospedalieri non necessari. La sfida è stata trovare un modo per leggere questi migliaia di appunti scritti a mano e trasformarli in una linea temporale cronologica chiara che un computer possa comprendere e analizzare.
Un team di ricercatori del King's College London e della South London and Maudsley NHS Foundation Trust ha sviluppato un nuovo metodo per risolvere questo problema. Hanno creato un sistema che combina due strumenti potenti: un lettore digitale che comprende il linguaggio umano e un rilevatore matematico che individua quando un modello cambia. Il lettore digitale, noto come elaborazione del linguaggio naturale, scansiona le note cliniche non strutturate per trovare ogni menzione di farmaci antipsicotici, i farmaci utilizzati per trattare la schizofrenia e condizioni correlate. Estrae il nome del farmaco, il dosaggio e la data in cui è stato annotato. Tuttavia, elencare semplicemente queste menzioni non è sufficiente, poiché i medici spesso scrivono di un farmaco che hanno interrotto anni prima o di uno che stanno considerando per il futuro. Per trovare i periodi effettivi in cui un paziente stava assumendo attivamente un farmaco specifico, il team ha utilizzato un algoritmo di rilevamento dei punti di cambiamento (change-point detection). Questo strumento esamina il flusso di menzioni dei farmaci e identifica i momenti esatti in cui il modello cambia, segnalando che un trattamento è terminato e un altro è iniziato.
I ricercatori hanno testato questo sistema sulle cartelle cliniche elettroniche di 12.530 pazienti con diagnosi di disturbi dello spettro della schizofrenia tra il 2007 e il 2017. Hanno confrontato la linea temporale del computer con 113 episodi di trattamento che erano stati accuratamente contrassegnati da esperti umani. Il sistema ha operato con un'elevata precisione, identificando correttamente le date di inizio e fine dei periodi di trattamento nella stragrande maggioranza dei casi. Una volta validato, il team ha applicato il metodo all'intero gruppo di pazienti. Hanno scoperto 24.648 episodi di trattamento distinti, rivelando una mappa dettagliata di come questi pazienti siano stati trattati nel corso di un decennio. L'analisi ha mostrato che, mentre molti pazienti sono rimasti su un singolo farmaco per molto tempo, una parte significativa ha vissuto schemi complessi. In quasi un terzo di tutti gli episodi di trattamento, ai pazienti è stato prescritto più di un antipsicotico contemporaneamente. Ciò includeva sia brevi sovrapposizioni, in cui i medici somministravano temporaneamente due farmaci durante il passaggio da uno all'altro, sia periodi più lunghi in cui più farmaci venivano utilizzati insieme intenzionalmente.
Lo studio ha anche scoperto come questi modelli di trattamento si relazionano alla necessità di assistenza ospedaliera. I dati hanno mostato che i pazienti a cui sono stati prescritti più antipsicotici contemporaneamente, o che sono passati attraverso molti diversi tentativi di trattamento prima di iniziare un farmaco specifico chiamato clozapina, avevano maggiori probabilità di essere ricoverati in ospedale e di soggiornarvi per periodi più lunghi. Al contrario, i pazienti che hanno ricevuto versioni iniettabili a lunga durata del loro farmaco, che vengono somministrate tramite iniezione anziché come pillola quotidiana, tendevano a utilizzare meno servizi ospedalieri. I ricercatori hanno scoperto che il tipo specifico di diagnosi e il background del paziente giocavano un ruolo, con determinati gruppi che mostravano tassi più elevati di utilizzo dei servizi ospedalieri. La capacità di ricostruire automaticamente queste storie di trattamento a lungo termine da testi disordinati offre un nuovo modo per monitorare la qualità dell'assistenza. Permette ai sistemi sanitari di vedere, in tempo reale, quando le abitudini di prescrizione si discostano dalle linee guida e di identificare i pazienti che potrebbero beneficiare di un cambiamento nel loro piano di trattamento, il tutto senza richiedere a un team di persone di leggere a mano ogni singola nota medica.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.