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

Deze studie toont aan dat een op transformer gebaseerd NLP-model (Bio-ClinicalBERT) effectief cannabisgebruik uit ongestructureerde medische aantekeningen kan halen, waardoor 8,6% van de onderzochte patiënten werd geïdentificeerd als cannabisgebruiker met een significant verhoogde prevalentie van andere risicofactoren.

De kern

De Digitale Schatzoeker: Hoe AI Cannabisgebruik in Medische dossiers opspoort

Stel je voor dat een ziekenhuis een enorme bibliotheek heeft. In deze bibliotheek staan niet alleen boeken met cijfers en tabellen, maar ook miljoenen dagboeken vol met handgeschreven notities van artsen en verpleegkundigen. Dit zijn de medische dossiers (EHR's).

Het probleem? Als een patiënt vertelt: "Ik gebruik soms cannabis voor mijn pijn," staat dat vaak niet in een duidelijk vakje met een vinkje. Het staat ergens verstopt in een lange, rommelige zin ergens in een dagboek. Voor een computer is dat alsof je een speld in een hooiberg zoekt, terwijl de computer niet eens weet hoe een speld eruit ziet.

Het probleem: De onzichtbare informatie
Artsen weten dat cannabisgebruik belangrijk is. Het kan invloed hebben op medicijnen, diagnose en veiligheid. Maar omdat de informatie vaak "verstop" zit in ongestructureerde tekst, kunnen artsen het niet snel vinden en kunnen onderzoekers het niet goed tellen. Het is alsof je een schatkaart hebt, maar de schat is begraven onder een berg losse zandkorrels die je handmatig moet doorzoeken. Dat kost te veel tijd en energie.

De oplossing: De slimme robot (NLP)
De onderzoekers van deze studie wilden een manier vinden om die schat te vinden zonder dat ze elke pagina handmatig moesten lezen. Ze bouwden een slimme robot (een computerprogramma genaamd Natural Language Processing of NLP).

Je kunt dit vergelijken met een superleesende detective:

1. De training: Eerst leerden ze de detective door haar duizenden voorbeelden te geven. Ze lieten haar zien: "Kijk, hier staat 'joint' en dat betekent cannabisgebruik." Maar ook: "Kijk, hier staat 'joint' en dat betekent een gewricht in je knie, dus dat is geen cannabis."
2. De jacht: Vervolgens lieten ze de detective door de hele bibliotheek van 1,7 miljoen patiënten snuffelen. Ze zocht naar woorden als 'wiet', 'cannabis', 'THC' of 'marihuana'.
3. De filter: De detective was slim genoeg om te begrijpen of iemand nu gebruikte, in het verleden gebruikte, of het voor medische redenen deed.

Wat vonden ze?
De detective was verrassend goed. Ze deed bijna net zo goed werk als een menselijke expert.

• Ze vond dat ongeveer 9% van de patiënten in het dossier vermelding had van cannabisgebruik.
• Ze ontdekte interessante patronen: Mensen die cannabis gebruikten, hadden vaak een hoger gewicht (BMI) en gebruikten vaker tabak, alcohol of andere drugs dan mensen die geen cannabis gebruikten. Het was alsof de detective een patroon zag in de levensstijl die voorheen onzichtbaar was.

Waarom is dit belangrijk?
Vroeger was het alsof je een foto van een patiënt had, maar de helft van de foto was zwartgemaakt. Nu, door deze slimme robot, wordt die foto weer helder.

• Voor de arts: Als een patiënt binnenkomt, kan het systeem nu direct waarschuwen: "Let op, deze patiënt gebruikt cannabis, pas op met deze medicatie."
• Voor de wetenschap: Onderzoekers kunnen nu beter begrijpen hoe cannabis de gezondheid beïnvloedt op grote schaal, zonder dat ze duizenden papieren hoeven te lezen.

De conclusie
Deze studie laat zien dat we niet langer hoeven te vertrouwen op handmatig zoeken in rommelige notities. Met de hulp van slimme technologie (AI) kunnen we de waarheid uit die ongestructureerde tekst halen. Het is alsof we een oude, vergeten schatkaart hebben vertaald naar een moderne GPS, zodat we precies weten waar de informatie zit en hoe we die kunnen gebruiken om mensen gezonder te maken.

Kortom: De computer leest nu de dagboeken voor ons, zodat artsen zich kunnen focussen op het helpen van de patiënt.

Technische samenvatting

Probleemstelling

Informatie over het gebruik van cannabis (zowel recreatief als medisch) is vaak beschikbaar in elektronische gezondheidsdossiers (EHR), maar wordt meestal vastgelegd in ongestructureerde vrije tekst (zoals voortgangsnotities) in plaats van in gestructureerde velden. Dit maakt het voor zorgverleners en onderzoekers moeilijk om deze data te benutten voor klinische beslissingen (bijv. drug-interacties) of epidemiologisch onderzoek. Bestaande studies hebben zich vaak beperkt tot specifieke subpopulaties (zoals psychiatrische patiënten of ouderen), waardoor er een gebrek is aan methoden om cannabisgebruik (CU) in een brede, niet-gesegmenteerde populatie te identificeren.

Methodologie

De studie werd uitgevoerd bij het Geisinger-healthsysteem in Pennsylvania, USA, over een periode van tien jaar (2013–2022).

1. Dataverzameling en Lexicon-ontwikkeling:

   • Uit een totale populatie van 1,76 miljoen patiënten werden EHR-notities geselecteerd die termen uit een specifiek lexicon bevatten (bijv. 'marijuana', 'cannabis', 'THC', 'weed', 'CBD').
   • Er werd een uitgebreide data-cleaning uitgevoerd om valse positieven te verwijderen. Termen zoals 'pot' (in de context van 'neti pot' of 'hypotension') en 'CBD' (in de context van 'Common Bile Duct') werden gefilterd. Ook genegatieerde zinnen (bijv. "geen cannabis gebruik") werden verwijderd.
   • Het uiteindelijke analytische dataset bestond uit 2.790.896 notitiesnippers.

2. Handmatige Annotatie:

   • Drie annotatoren labelden een steekproef van 3.650 notities volgens zes categorieën:
     1. Ware vermelding (True mention)
     2. Patiëntgebruik (Patient use)
     3. Indicatie van gebruik (Indication of use)
     4. Medisch gebruik (Medical use)
     5. Huidig gebruik (Current use)
     6. Geschiedenis van gebruik (History of use)
   • De inter-annotator betrouwbaarheid (kappa) was hoog (> 0,83) voor de meeste categorieën.

3. Modelontwikkeling en Training:

   • Vier NLP-modellen werden getraind en vergeleken:
     • Twee traditionele modellen: Logistische Regressie (LR) en Support Vector Machine (SVM) met een bag-of-words benadering (unigrams, bigrams, trigrams).
     • Twee transformer-gebaseerde modellen: BERT en Bio-ClinicalBERT (specifiek getraind op biomedische en klinische tekst).
   • De modellen werden getraind als binaire classificatioprocessen voor elke categorie, met gebruik van 5-voudige cross-validatie.
   • Prestatiemetrics: Precision, Recall en F-score.

Belangrijkste Resultaten

• Modelprestaties:
  • Bio-ClinicalBERT presteerde het beste voor de belangrijkste categorieën ('Ware vermelding' en 'Indicatie van gebruik') met een gewogen F-score van 92,4% (Precision: 91,4%, Recall: 93,3%). Dit komt dicht in de buurt van menselijke prestaties.
  • Voor de categorieën 'Medisch gebruik', 'Huidig gebruik' en 'Geschiedenis van gebruik' waren de prestaties lager (F-scores tussen 68% en 82%), waarbij SVM soms iets beter presteerde dan Bio-ClinicalBERT. De onderscheiding tussen medisch en recreatief gebruik bleek semantisch complex voor de modellen.
• Prevalentie en Populatie:
  • Van de 1,76 miljoen patiënten werden 150.726 patiënten (8,6%) geïdentificeerd als cannabisgebruikers op basis van de EHR-notities.
  • Demografische verschillen: Cannabisgebruikers hadden een gemiddelde leeftijd van 37,6 jaar (vergelijkbaar met de totale populatie), maar waren vaker mannelijk (52,5% vs 47,7% in de totale populatie) en vaker Afro-Amerikaans.
  • BMI: Cannabisgebruikers hadden een significant hogere BMI (gemiddeld 28,5 vs 26,9). 36,8% van de gebruikers was obesitas (BMI > 30), vergeleken met 23,9% in de totale populatie.
  • Comorbiditeit en Substantiegebruik: Er was een sterke correlatie met ander substantiegebruik. Cannabisgebruikers waren:
    • 10x vaker rokers (49,3% vs 5,1%).
    • 10x vaker alcoholgebruikers (48,2% vs 4,9%).
    • 9x vaker gebruiker van illegale drugs (4,7% vs 0,5%).

Belangrijkste Bijdragen

1. Schaalbaarheid: Dit is een van de eerste studies die NLP toepast op een volledige, niet-gesegmenteerde populatie binnen een geïntegreerd zorgsysteem (1,7 miljoen patiënten) in plaats van alleen op specifieke ziektegroepen.
2. Validatie van NLP: Het bewijst dat transformer-modellen (Bio-ClinicalBERT) effectief kunnen worden ingezet om complexe, ongestructureerde klinische notities te vertalen naar gestructureerde data over cannabisgebruik met hoge nauwkeurigheid.
3. Data-gedreven inzichten: De studie levert een gedetailleerd profiel van cannabisgebruikers in de EHR, inclusief sterke associaties met obesitas en poly-substantiegebruik, wat waardevol is voor epidemiologisch onderzoek.

Betekenis en Toekomstperspectief

De studie demonstreert dat NLP-methoden een cruciale rol kunnen spelen bij het overbruggen van de kloof tussen ongestructureerde klinische notities en bruikbare data voor zorgverlening en onderzoek. Hoewel de modellen moeite hadden met het onderscheiden van medisch versus recreatief gebruik (waarschijnlijk door ambiguïteit in de documentatie en overlap in gebruik), biedt de technologie de basis voor:

• Klinische besluitvorming: Het automatisch detecteren van risico's op drug-interacties.
• Epidemiologie: Het beter begrijpen van patronen van cannabisgebruik in de bevolking.
• Toekomstige ontwikkeling: Het paper suggereert dat toekomstige AI-tools (zoals generatieve AI) kunnen helpen bij het verfijnen van deze documentatie en het verbeteren van de precisie bij het categoriseren van gebruikstypes.

De auteurs benadrukken echter ook beperkingen, zoals het gebrek aan externe validatie en de mogelijke bias in wie er wordt gevraagd naar cannabisgebruik (bijv. raciale bias in screening), wat de geobserveerde prevalentie kan beïnvloeden.