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

Este estudo desenvolveu e validou um modelo de processamento de linguagem natural (Bio-ClinicalBERT) que alcança desempenho próximo ao humano para identificar e classificar o uso de cannabis em notas clínicas não estruturadas de registros eletrônicos de saúde, permitindo a análise de prevalência e características demográficas de uma coorte de mais de 1,7 milhão de pacientes.

O essencial

Título: O Detetive Digital que Encontra o "Grama" nos Prontuários Médicos

Imagine que o prontuário médico de um hospital é como uma biblioteca gigante e bagunçada. Nela, existem livros organizados em prateleiras (os dados estruturados, como peso e altura) e milhões de cadernos de anotações manuscritas e soltas (os textos livres dos médicos).

O problema é que, quando um paciente diz ao médico: "Doutor, eu uso maconha para aliviar minha dor", essa informação muitas vezes fica escondida dentro de uma dessas anotações soltas, escrita à mão ou digitada em texto livre. Para um computador comum, isso é como tentar encontrar uma agulha em um palheiro onde a agulha está escrita em código secreto. Os sistemas tradicionais de saúde não conseguem "ler" essas anotações para saber quem usa cannabis, o que impede que os médicos tenham o quadro completo da saúde do paciente.

A Missão: Criar um "Super-Ler"

Os pesquisadores do Geisinger (um grande sistema de saúde na Pensilvânia, EUA) tiveram uma ideia brilhante: e se usássemos uma inteligência artificial (IA) para ler todas essas anotações e encontrar quem usa cannabis?

Eles chamaram essa IA de NLP (Processamento de Linguagem Natural). Pense no NLP como um detetive digital superinteligente que foi treinado para ler milhões de páginas de anotações médicas em segundos.

Como o Detetive Funcionou?

1. A Lista de Palavras-Chave: Primeiro, os pesquisadores deram ao detetive uma lista de palavras e gírias relacionadas à maconha (como "cannabis", "MJ", "weed", "THC", "cânhamo").
2. O Filtro de Ruído: Mas o detetive precisava ser esperto. A palavra "pot" (vaso) pode significar maconha, mas também pode ser um "vaso de planta" ou parte da palavra "potássio". A palavra "joint" (junta) pode ser maconha, mas também pode ser uma "junta do joelho" que dói. O detetive aprendeu a ignorar esses falsos positivos.
3. O Treinamento Humano: Antes de confiar no robô, os humanos (especialistas) leram milhares de anotações e ensinaram ao robô o que é "uso real", "uso médico", "uso atual" ou "uso passado". Foi como dar um curso intensivo de leitura para o detetive.
4. A Grande Varredura: Com o detetive pronto, eles varreram os prontuários de 1,7 milhão de pacientes ao longo de 10 anos.

O Que Eles Descobriram?

O resultado foi impressionante. O detetive digital (especificamente um modelo chamado Bio-ClinicalBERT) conseguiu ler e classificar as anotações com uma precisão quase igual à de um humano experiente.

Aqui estão as descobertas principais, traduzidas para o dia a dia:

• O "Oculto" Tornou-se Visível: O sistema encontrou cerca de 150.000 pacientes (8,6% do total) que usavam cannabis, mas que essa informação estava "escondida" nas anotações soltas. Se não fosse o detetive, esses dados teriam permanecido invisíveis para a medicina.
• O Perfil do Usuário: Os pacientes identificados como usuários de cannabis tinham, em média, um peso maior (IMC mais alto) do que a média da população.
• O Efeito "Cadeia": A descoberta mais chocante foi sobre outras substâncias. Os usuários de cannabis eram 10 vezes mais propensos a fumar tabaco e a beber álcool, e 9 vezes mais propensos a usar outras drogas ilícitas, comparados aos pacientes que não usavam cannabis. É como se encontrar uma pessoa com um cigarro de maconha fosse um forte indicador de que ela também pode estar com um cigarro comum ou uma garrafa de bebida na mão.

Por Que Isso é Importante?

Imagine que você é um médico. Se você não sabe que seu paciente usa maconha, você pode prescrever um remédio que interage mal com ela, ou não entender por que o paciente está com náuseas ou tontura.

Com essa tecnologia, o prontuário deixa de ser apenas um arquivo morto e se torna uma ferramenta viva. A IA transforma o texto bagunçado em dados claros, permitindo que:

• Os médicos tomem decisões mais seguras.
• Os pesquisadores entendam melhor como a cannabis afeta a saúde de toda a população, não apenas de grupos específicos.
• O sistema de saúde identifique padrões de uso que antes passavam despercebidos.

Conclusão

Este estudo é como ter dado óculos de visão noturna para os médicos. Antes, a informação sobre o uso de cannabis estava lá, no escuro das anotações manuscritas. Agora, com a ajuda da inteligência artificial, podemos ver claramente quem usa, como usa e quais são os riscos associados, abrindo caminho para um cuidado médico mais preciso e humano.

Resumo técnico

Título: Documentação do Uso de Cannabis no Registro Eletrônico de Saúde: Um Caso de Uso para Métodos de Processamento de Linguagem Natural

1. Problema e Motivação

O uso de cannabis (recreativo e médico) é prevalente nos Estados Unidos, mas as informações sobre ele nos Registros Eletrônicos de Saúde (EHR) são frequentemente inadequadas para uso clínico e de pesquisa.

• Desafio Principal: A documentação do uso de cannabis (CU) está predominantemente em texto não estruturado (notas clínicas livres, como notas de enfermagem e progresso), em vez de campos discretos estruturados.
• Consequências: A falta de dados estruturados impede a identificação automática de pacientes para alertas de interações medicamentosas, suporte à decisão clínica e estudos epidemiológicos em larga escala.
• Limitação de Estudos Anteriores: A maioria das pesquisas anteriores focou em subpopulações específicas (ex: pacientes psiquiátricos, idosos) ou faixas etárias restritas, limitando a aplicabilidade para a população geral.

2. Metodologia

O estudo foi conduzido no sistema de saúde integrado Geisinger (Pensilvânia, EUA), cobrindo um período de 10 anos (2013–2022).

• Coleta de Dados e Pré-processamento:

  • Foram analisadas 1,76 milhão de notas de EHR de pacientes com pelo menos uma interação no sistema.
  • Desenvolveu-se um léxico de busca com termos relacionados à cannabis (ex: "marijuana", "cannabis", "THC", "CBD", "weed", etc.).
  • Limpeza de Dados: Implementou-se um processo rigoroso para remover falsos positivos onde termos como "pot" (em "neti pot" ou "hypotension"), "CBD" (em "Common Bile Duct") e "joint" (em "joint pain") eram usados em contextos não relacionados à cannabis.
  • Notas com negação (ex: "não usa cannabis") foram removidas. O resultado final foi uma amostra analítica de 2.790.896 snippets de notas.

• Anotação Manual (Ground Truth):

  • Três anotadores treinados classificaram 3.650 notas aleatórias.
  • Esquema de Classificação: As notas foram categorizadas em seis classes binárias:
    1. Menção Verdadeira (o termo refere-se à cannabis).
    2. Uso do Paciente (refere-se ao paciente, não a terceiros).
    3. Indicação de Uso (uso explícito mencionado).
    4. Uso Médico (uso para fins terapêuticos).
    5. Uso Atual.
    6. Histórico de Uso (uso passado).
  • A confiabilidade inter-rater (Kappa) foi alta (> 0,83) para a maioria das categorias.

• Desenvolvimento de Modelos de NLP:

  • Foram treinados e comparados quatro modelos para classificação binária de cada categoria:
    1. Regressão Logística (LR) com regularização Elastic Net.
    2. Máquina de Vetores de Suporte (SVM) com kernel linear.
    3. BERT (modelo base de transformers).
    4. Bio-ClinicalBERT (modelo transformer pré-treinado especificamente para domínio biomédico).
  • Os modelos foram avaliados usando validação cruzada de 5 dobras, com métricas de Precisão, Recall e F-score.

3. Resultados Principais

• Desempenho do Modelo:

  • O modelo Bio-ClinicalBERT demonstrou o melhor desempenho geral, alcançando resultados próximos à anotação humana.
  • Para as categorias críticas de "Menção Verdadeira" e "Indicação de Uso", o Bio-ClinicalBERT atingiu um F-score ponderado de 92,4% (Precisão: 91,4%, Recall: 93,3%).
  • O SVM performou ligeiramente melhor que o Bio-ClinicalBERT nas categorias de "Uso Médico" e "Uso Atual", mas o Bio-ClinicalBERT foi superior para "Uso do Paciente" e "Histórico de Uso".
  • As categorias de "Uso Médico" e distinção entre "Atual vs. Passado" apresentaram desempenho mais baixo (F-scores entre 45% e 68%), devido à variabilidade semântica e ambiguidade na documentação clínica.

• Prevalência e Características da População:

  • Aplicando o melhor modelo, 150.726 pacientes (8,6% da população total) foram identificados como usuários de cannabis documentados.
  • Características Demográficas e Clínicas:
    • Os usuários de cannabis tinham uma IMC médio maior (28,5 vs. 26,9 na população geral) e maior prevalência de obesidade.
    • Comorbidades e Substâncias: Usuários de cannabis eram significativamente mais propensos a usar outras substâncias em comparação com a população geral:
      • 10x mais propensos a fumar tabaco.
      • 10x mais propensos a usar álcool.
      • 9x mais propensos a usar drogas ilícitas.
    • Houve diferenças raciais observadas, com maior prevalência de documentação em pacientes Afro-americanos e menor em Asiáticos, o que os autores atribuem a potenciais vieses na triagem e documentação clínica.

4. Contribuições Chave

1. Prova de Conceito em Escala: Demonstra a viabilidade de extrair e classificar dados de uso de cannabis de um corpus massivo e não segmentado de EHRs (1,7 milhão de pacientes) usando NLP.
2. Validação de Modelos Específicos: Estabelece que modelos baseados em transformers (Bio-ClinicalBERT) superam ou igualam modelos tradicionais (SVM, LR) na extração de informações clínicas complexas de notas não estruturadas.
3. Metodologia de Limpeza Robusta: Apresenta um pipeline detalhado para a limpeza de dados, crucial para lidar com a ambiguidade de termos comuns (como "joint" ou "CBD") em contextos médicos.
4. Insights Epidemiológicos: Fornece uma visão transversal das características dos usuários de cannabis em um sistema de saúde rural/urbano, destacando a forte correlação com o uso de múltiplas substâncias.

5. Significado e Implicações

• Para a Prática Clínica: A automação da extração de dados de cannabis pode melhorar a segurança do paciente (alertas de interações medicamentosas) e auxiliar no diagnóstico de condições relacionadas ao uso (ex: hiperêmese canabinóide).
• Para a Pesquisa: Permite estudos epidemiológicos mais amplos e precisos sobre o uso de cannabis, superando a dependência de dados estruturados incompletos ou de auto-relatos em pesquisas.
• Limitações e Futuro: O estudo reconhece que a distinção entre uso médico e recreativo é difícil de automatizar com precisão devido à documentação clínica ambígua. Além disso, os modelos não foram validados externamente em outros sistemas de saúde.
• Conclusão: O estudo valida o uso de NLP avançado para transformar dados não estruturados em informações acionáveis, pavimentando o caminho para uma melhor compreensão da saúde da população e tomada de decisão clínica baseada em evidências sobre o uso de cannabis.