Identifying antipsychotic treatment episodes using natural language processing and change-point detection
Deze studie presenteert en valideert een schaalbaar framework dat natuurlijke taalverwerking en veranderpuntdetectie combineert om longitudinale antipsychotische behandelingsepisoden te reconstrueren uit ongestructureerde elektronische gezondheidsdossiers, waarbij klinische validiteit wordt aangetoond en significante associaties tussen behandelingscomplexiteit en het gebruik van gezondheidszorg worden onthuld.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van de geestelijke gezondheidszorg wordt het verhaal van de behandeling van een patiënt vaak in de marges geschreven. Decennialang hebben artsen hun beslissingen over medicatie genoteerd in vrij lopende aantekeningen, waarbij ze beschrijven waarom een medicijn werd gestart, hoe een patiënt reageerde, of wanneer er een wisseling plaatsvond. Hoewel deze narratieven de ware geschiedenis van de reis van een patiënt bevatten, zitten ze opgesloten in ongestructureerde tekst, onzichtbaar voor de computers die ziekenhuisgegevens beheren. Dit creëert een blinde vlek voor onderzoekers die proberen te begrijpen hoe behandelingen in de loop van de tijd werken. Zij kunnen niet gemakkelijk het volledige beeld zien van wie welk medicijn neemt, hoe lang, en wanneer het patroon verandert. Zonder deze helderheid is het moeilijk te weten of de huidige praktijken patiënten helpen of dat ze leiden tot onnodige ziekenhuisopnames. De uitdaging is geweest om een manier te vinden om deze duizenden handgeschreven aantekeningen te lezen en ze om te zetten in een duidelijke, chronologische tijdlijn die een computer kan begrijpen en analyseren.
Een team van onderzoekers aan King's College London en de South London and Maudsley NHS Foundation Trust heeft een nieuwe methode ontwikkeld om dit probleem op te lossen. Ze hebben een systeem gecreëerd dat twee krachtige instrumenten combineert: een digitale lezer die menselijke taal begrijpt en een wiskundige detector die opmerkt wanneer een patroon verandert. De digitale lezer, bekend als natural language processing (natuurlijke taalverwerking), scant de ongestructureerde klinische aantekeningen om elke vermelding van antipsychotische medicatie te vinden, de medicijnen die worden gebruikt voor de behandeling van schizofrenie en gerelateerde aandoeningen. Het haalt de naam van het medicijn, de dosis en de datum waarop het is opgeschreven eruit. Het simpelweg opsommen van deze vermeldingen is echter niet genoeg, omdat artsen vaak schrijven over een medicijn dat ze jaren geleden zijn gestopt of over een medicijn dat ze overwegen voor de toekomst. Om de werkelijke perioden te vinden waarin een patiënt actief een specifiek medicijn innam, gebruikte het team een change-point detection algoritme. Dit hulpmiddel kijkt naar de stroom van medicatievermeldingen en identificeert de exacte momenten waarop het patroon verschuift, wat signaleert dat één behandeling is geëindigd en een andere is begonnen.
De onderzoekers testten dit systeem op de elektronische patiëntendossiers van 12.530 patiënten met de diagnose schizofrenie-spectrumstoornissen tussen 2007 en 2017. Ze vergeleken de tijdlijn van de computer met 113 behandelperiodes die zorgvuldig door menselijke experts waren gemarkeerd. Het systeem presteerde met een hoge nauwkeurigheid en identificeerde correct de start- en einddata van behandelperiodes in het overgrote deel van de gevallen. Eenmaal gevalideerd, paste het team de methie toe op de gehele groep patiënten. Ze ontdekten 24.648 afzonderlijke behandelperiodes, wat een gedetailleerde kaart opleverde van hoe deze patiënten gedurende een decennium werden behandeld. De analyse toonde aan dat hoewel veel patiënten lang op een enkel medicijn bleven, een aanzienlijk deel complexe patronen ervoer. In bijna een derde van alle behandelperiodes kregen patiënten tegelijkertijd meer dan één antipsychoticum voorgeschreven. Dit omvatte zowel korte overlappen, waarbij artsen tijdelijk twee middelen gaven terwijl ze van het ene naar het andere middel overstapten, als langere perioden waarin meerdere middelen bewust samen werden gebruikt.
De studie bracht ook in kaart hoe deze behandelpatronen verband houden met de behoefte van patiënten aan ziekenhuiszorg. De gegevens toonden aan dat patiënten die tegelijkertijd meerdere antipsychotica kregen voorgeschreven, of die veel verschillende behandelpogingen ondergingen voordat ze met een specifiek medicijn genaamd clozapine begonnen, vaker werden opgenomen in het ziekenhuis en daar langer bleven. Daarentegen hadden patiënten die langwerkende injecteerbare versies van hun medicatie ontvingen, die als een injectie worden toegediend in plaats van een dagelijkse pil, de neiging om minder gebruik te maken van ziekenhuisdiensten. De onderzoekers vonden dat het specifieke type diagnose en de achtergrond van de patiënt ook een rol speelden, waarbij bepaalde groepen hogere percentages ziekenhuisgebruik vertoonden. Het vermogen om deze langdurige behandelgeschiedenissen automatisch te reconstrueren uit rommelige tekst biedt een nieuwe manier om de kwaliteit van de zorg te monitoren. Het stelt gezondheidssystemen in staat om in realtime te zien wanneer voorschrijfpatronen afwijken van de richtlijnen en om patiënten te identificeren die baat zouden kunnen hebben bij een wijziging in hun behandelplan, zonder dat daarvoor een team van mensen nodig is om elke medische aantekening handmatig door te lezen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.