{"id":31598,"date":"2024-11-04T16:24:09","date_gmt":"2024-11-04T14:24:09","guid":{"rendered":"https:\/\/neuronup.com\/it\/?p=31598"},"modified":"2025-02-28T09:57:49","modified_gmt":"2025-02-28T07:57:49","slug":"modello-di-apprendimento-profondo-per-il-rilevamento-precoce-del-deterioramento-cognitivo-dalle-note-cliniche-nelle-cartelle-cliniche-elettroniche","status":"publish","type":"post","link":"https:\/\/neuronup.com\/it\/notizie-su-neuronup\/modello-di-apprendimento-profondo-per-il-rilevamento-precoce-del-deterioramento-cognitivo-dalle-note-cliniche-nelle-cartelle-cliniche-elettroniche\/","title":{"rendered":"Modello di apprendimento profondo per il rilevamento precoce del deterioramento cognitivo dalle note cliniche nelle cartelle cliniche elettroniche"},"content":{"rendered":"\n

Antonio Javier Sutil Jim\u00e9nez parla in questo articolo dei dati forniti nello studio “Modello di apprendimento profondo per la rilevazione precoce del deterioramento cognitivo a partire da note cliniche nelle cartelle cliniche elettroniche”<\/em>.<\/p>\n\n\n\n

Perch\u00e9 \u00e8 importante questo studio sul modello di apprendimento a partire da note cliniche?<\/h2>\n\n\n\n

Questo studio affronta la rilevazione precoce del deterioramento cognitivo negli adulti<\/strong>, fondamentale per poter effettuare interventi terapeutici efficaci, rallentare il deterioramento, prevenire lo sviluppo di malattie o facilitare l’iscrizione dei partecipanti in studi clinici.<\/p>\n\n\n\n

Malattia di Alzheimer<\/h3>\n\n\n\n

La malattia di Alzheimer<\/a> \u00e8 un tipo di demenza che rappresenta un grande problema a livello mondiale. Questa malattia \u00e8 stata diagnosticata in quasi 6 milioni di persone<\/strong> negli Stati Uniti, e la sua prevalenza aumenta con l’et\u00e0, per cui si prevede che l’invecchiamento della popolazione aumenter\u00e0 la sua incidenza<\/strong> negli anni a venire.<\/p>\n\n\n\n

Tuttavia, oltre alla malattia di Alzheimer, il deterioramento cognitivo lieve<\/a> \u00e8 un problema di grande rilevanza, che in molti casi \u00e8 associato a un successivo sviluppo di demenza.<\/p>\n\n\n\n

Deterioramento cognitivo soggettivo<\/h3>\n\n\n\n

Inoltre, \u00e8 stata recentemente creata la categoria di deterioramento cognitivo soggettivo. Questo termine si riferisce alla percezione dell’individuo di sperimentare un deterioramento delle proprie capacit\u00e0 cognitive<\/strong> rispetto al proprio stato precedente.<\/p>\n\n\n\n

Sebbene questa etichetta non sia una malattia di per s\u00e9, \u00e8 stato identificato che le persone con questa condizione potrebbero trovarsi in una fase iniziale di deterioramento cognitivo.<\/p>\n\n\n\n

Rilevazione del deterioramento cognitivo<\/h3>\n\n\n\n

Nonostante gli sforzi per migliorare i trattamenti per questi pazienti, la rilevazione del deterioramento cognitivo rimane una sfida<\/strong>, e il miglioramento degli strumenti di rilevazione \u00e8 necessario affinch\u00e9 i trattamenti successivi siano efficaci.<\/p>\n\n\n\n

Strumenti in assistenza primaria<\/h4>\n\n\n\n

Dato che il numero di professionisti specializzati per assistere la popolazione a rischio \u00e8 limitato, una possibile soluzione potrebbe essere quella di fornire strumenti ai medici di assistenza primaria<\/strong>. Questi medici non sono specialisti in demenza, ma hanno contatto diretto con questa popolazione<\/strong>, quindi dotarli di strumenti diagnostici si presenta come una soluzione praticabile.<\/p>\n\n\n\n

Registri medici elettronici<\/h4>\n\n\n\n

L’uso dei registri medici elettronici<\/strong> \u00e8 proposto come un’alternativa adeguata per lo sviluppo di tali strumenti, poich\u00e9 questi registrano la storia delle visite dei pazienti all’interno di un sistema di assistenza sanitaria.<\/p>\n\n\n\n

Tuttavia, \u00e8 importante evidenziare la difficolt\u00e0 di identificare i segni di deterioramento cognitivo non associati all’et\u00e0<\/strong>, che spesso vengono documentati in valutazioni cognitive e nelle preoccupazioni dei pazienti registrate dai professionisti sanitari. Sebbene siano stati condotti studi con le informazioni cliniche dei pazienti, raramente \u00e8 stato approfondito l’uso delle note cliniche nei registri medici a tale scopo.<\/p>\n\n\n\n

Note cliniche come risorsa informativa<\/h4>\n\n\n\n

In questo studio si propone l’uso delle note cliniche come una risorsa informativa che potrebbe catturare informazioni non considerate nella maggior parte degli studi. L’analisi manuale delle note cliniche sarebbe molto costosa, quindi l’obiettivo dello studio era sviluppare un modello di rilevazione automatico basato sul deep learning<\/strong>.<\/p>\n\n\n\n

Di conseguenza, l’approccio di questo studio \u00e8 originale e innovativo grazie all’uso delle note cliniche.<\/p>\n\n\n\n

Le note cliniche sono molto importanti per le storie cliniche in ambito medico. Tuttavia, il loro uso nell’ambito scientifico \u00e8 stato limitato, rendendo la loro applicazione per la rilevazione precoce del deterioramento cognitivo di grande interesse.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n
\"\"<\/figure>\n<\/div>\n\n\n\n
\n

Iscriviti<\/strong>
alla nostra
Newsletter<\/h2>\n\n\n\n
\n
Iscriviti<\/a><\/div>\n\n<\/div>\n\n\n\n
<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n\n
<\/div>\n\n\n\n

Cosa \u00e8 stato fatto?<\/h2>\n\n\n\n

Database<\/h3>\n\n\n\n

Per la realizzazione di questo studio, sono stati presi i dati di un’azienda sanitaria privata, filtrando i pazienti per et\u00e0 (dovevano essere maggiori di 50 anni) e per la diagnosi di deterioramento cognitivo lieve. In particolare, sono state analizzate le note cliniche dei 4 anni precedenti alla diagnosi<\/strong>.<\/p>\n\n\n\n

La definizione di deterioramento cognitivo si \u00e8 basata sulla menzione di sintomi, diagnosi, valutazioni cognitive e trattamenti. Quando le note indicavano progresso, episodi transitori o reversibili, sono stati considerati negativi per il deterioramento cognitivo.<\/p>\n\n\n\n

Elaborazione delle note cliniche e sviluppo del database<\/h3>\n\n\n\n

Inizialmente, a causa della lunghezza delle note cliniche, \u00e8 stato utilizzato un processore di linguaggio naturale<\/strong> per dividerle in sezioni. Questa divisione ha permesso di identificare se ogni sezione indicava deterioramento cognitivo o meno.<\/p>\n\n\n\n

Successivamente, sono state identificate parole chiave<\/strong> selezionate da esperti, addestrati per identificare sezioni contenenti indizi di deterioramento cognitivo. Tre annotatori hanno etichettato le sezioni, e i conflitti sono stati risolti attraverso discussioni con esperti in materia, ottenendo un buon livello di accordo tra gli annotatori.<\/p>\n\n\n\n

Inoltre, \u00e8 stato creato un set di dati etichettato<\/strong> con 4.950 sezioni per addestrare e testare diversi algoritmi di apprendimento automatico. Infine, sono stati creati due database<\/strong> che sarebbero stati utilizzati per lo sviluppo e la validazione del modello.<\/p>\n\n\n\n

Set di dati<\/h4>\n\n\n\n

Il primo set di dati, utilizzato per lo sviluppo del modello, includeva solo sezioni con parole chiave selezionate. Questo set di dati conteneva 4.950 sezioni annotate<\/strong>, pronte per lo sviluppo dei modelli di apprendimento automatico.<\/p>\n\n\n\n

Il secondo set di dati consisteva in 2.000 sezioni selezionate casualmente<\/strong> da tutte le note, escludendo quelle usate nel primo set. Questo secondo set \u00e8 stato utilizzato per verificare la capacit\u00e0 di generalizzazione del modello in sezioni di note<\/strong> senza applicare un filtro basato sulle parole chiave.<\/p>\n\n\n\n

Sviluppo del modello e validazione<\/h3>\n\n\n\n

Per sviluppare il modello, \u00e8 stata utilizzata una struttura gerarchica di attenzione basata su deep learning, sviluppata in un precedente lavoro, oltre a quattro algoritmi base di apprendimento automatico<\/strong>: regressione logistica, random forest, support vector machine e XGBoost.<\/p>\n\n\n\n

Il modello precedentemente sviluppato incorporava una rete neurale convoluzionale adattata al contesto, consentendo di gestire variazioni di parole e interpretare la predizione attraverso livelli di attenzione. Per ulteriori informazioni sul modello, si consiglia di consultare l’articolo in questione e le sue tabelle supplementari.<\/p>\n\n\n\n

Interpretazione della predizione del modello<\/h4>\n\n\n\n

Per interpretare la predizione del modello, sono state identificate le parole con il peso maggiore nei livelli di attenzione utilizzati nella predizione. Le parole con un peso rilevante<\/strong>, cio\u00e8 di almeno 2 deviazioni standard sopra la media, sono state considerate di alta attenzione e confrontate con le parole chiave originali<\/strong> selezionate.<\/p>\n\n\n\n

Per i modelli di base, invece, le sezioni sono state rappresentate dalla frequenza di apparizione dei termini<\/strong> e gli algoritmi sono stati addestrati e testati tramite validazione incrociata<\/strong>. Successivamente, i risultati del modello sviluppato dal gruppo di ricerca sono stati confrontati con i 4 modelli base menzionati.<\/p>\n\n\n\n

Confronto delle metriche<\/h4>\n\n\n\n

Le due misure usate per il confronto delle metriche sono state AUROC<\/strong> (area sotto la curva della caratteristica operativa del ricevitore) e AUPRC<\/strong> (area sotto la curva di precisione e richiamo).<\/p>\n\n\n\n

AUROC \u00e8 un metodo di analisi abituale in questi modelli, poich\u00e9 consente di valutare le diverse soglie tra sensibilit\u00e0 e specificit\u00e0. AUPRC \u00e8 un\u2019altra metrica importante che offre informazioni complementari per dati sbilanciati, quando la percentuale di casi positivi \u00e8 bassa.<\/p>\n\n\n\n

Quali sono le principali conclusioni di questo studio del modello di apprendimento basato su note cliniche?<\/h2>\n\n\n\n

La conclusione principale di questo studio \u00e8 che \u00e8 possibile realizzare predizioni diagnostiche di deterioramento cognitivo utilizzando un modello basato sulle note cliniche<\/strong>. Questi pazienti potrebbero essere nelle prime fasi del deterioramento cognitivo, consentendo di identificare segnali precoci nei registri elettronici di salute.<\/p>\n\n\n\n

Il modello sviluppato per questo scopo \u00e8 stato il miglior predittore<\/strong> per identificare pazienti che svilupperanno deterioramento cognitivo, senza dipendere dai dati strutturati. Sebbene il modello di deep learning sia stato il migliore, il modello XGBoost ha anche mostrato buone predizioni<\/strong> e si propone come una soluzione pi\u00f9 semplice nel caso in cui la tecnologia necessaria non sia disponibile.<\/p>\n\n\n\n

Metriche AUROC e AUPRC<\/h3>\n\n\n\n

Per verificare questi risultati, si possono osservare i punteggi ottenuti nelle metriche AUROC e AUPRC nei set di dati 1 e 2 (vedi tabelle 1 e 2, rispettivamente). \u00c8 particolarmente notevole che il modello basato su deep learning sia il miglior predittore in entrambe le metriche.<\/p>\n\n\n\n

Nel caso di AUROC, tutti i valori sono superiori a 0.9, con il modello di deep learning che predice sempre meglio. Per quanto riguarda AUPRC, ci\u00f2 \u00e8 ancora pi\u00f9 evidente, poich\u00e9 questo modello \u00e8 l\u2019unico che si mantiene sopra il valore 0.9.<\/p>\n\n\n\n

Le differenze tra queste metriche rafforzano la coerenza dei risultati<\/strong>, poich\u00e9, mentre AUROC mostra la relazione tra il tasso di veri positivi e falsi positivi, AUPRC riflette la relazione tra precisione e sensibilit\u00e0.<\/p>\n\n\n\n

In campioni sbilanciati, la metrica AUROC pu\u00f2 essere meno conservatrice nei confronti dei falsi positivi, quindi le informazioni complementari di AUPRC permettono di confermare il buon rendimento di questo modello.<\/p>\n\n\n\n

Modello<\/td>AUROC<\/td>AUPRC<\/td><\/tr>
Regressione logistica<\/td>0.936<\/td>0.880<\/td><\/tr>
Random Forest<\/td>0.950<\/td>0.889<\/td><\/tr>
Support Vector Machine<\/td>0.939<\/td>0.883<\/td><\/tr>
XGBoost<\/td>0.953<\/td>0.882<\/td><\/tr>
Deep Learning<\/td>0.971<\/td>0.933<\/td><\/tr><\/tbody><\/table>
Tabella 1. Confronto dei modelli per il set di dati con 4950 sezioni.<\/figcaption><\/figure>\n\n\n\n
Modello<\/td>AUROC<\/td>AUPRC<\/td><\/tr>
Regressione logistica<\/td>0.969<\/td>0.762<\/td><\/tr>
Random Forest<\/td>0.985<\/td>0.830<\/td><\/tr>
Support Vector Machine<\/td>0.954<\/td>0.723<\/td><\/tr>
XGBoost<\/td>0.988<\/td>0.898<\/td><\/tr>
Deep Learning<\/td>0.997<\/td>0.929<\/td><\/tr><\/tbody><\/table>
Tabella 2. Confronto dei modelli per il set di dati con 2000 sezioni.<\/figcaption><\/figure>\n\n\n\n

Prestazioni del modello<\/h3>\n\n\n\n

Un altro aspetto importante evidenziato da questo studio \u00e8 che la lunghezza delle note potrebbe influenzare le prestazioni del modello; tuttavia, mantenendo un contenuto sufficiente, si dimostra che la classificazione per sezioni pu\u00f2 essere fattibile.<\/p>\n\n\n\n

Inoltre, questo tipo di modelli potrebbe essere applicato ad altre patologie, anche se \u00e8 importante considerare che l’identificazione di informazioni ambigue o complesse pu\u00f2 risultare difficile.<\/p>\n\n\n\n

<\/div>\n\n\n\n
\n
\n
\n

Prova NeuronUP gratis per 7 giorni<\/h2>\n\n\n\n

Potrai collaborare con le nostre attivit\u00e0, progettare sedute o fare riabilitazione a distanza.<\/p>\n<\/div>\n\n\n\n

\n
\n
Comincia la tua prova<\/a><\/div>\n\n<\/div>\n<\/div>\n<\/div>\n<\/div><\/div>\n\n\n\n
<\/div>\n\n\n\n
<\/div>\n\n\n\n

Dove NeuronUP potrebbe contribuire a uno studio come questo?<\/h2>\n\n\n\n

NeuronUP<\/a> potrebbe contribuire in vari modi a uno studio come questo, poich\u00e9 ha una vasta esperienza nella gestione di grandi quantit\u00e0 di dati.<\/p>\n\n\n\n

Come evidenziato in questo studio, la gestione di grandi volumi di dati \u00e8 una delle principali sfide quando si lavora con note cliniche. Pertanto, il team di NeuronUP<\/a>, composto da specialisti sia nel settore clinico che nell’analisi dei dati, potrebbe fornire un contributo prezioso nell’elaborazione delle informazioni<\/strong>, sia utilizzando parole chiave che senza.<\/p>\n\n\n\n

D’altro canto, questo studio si distingue per il confronto tra cinque modelli diversi, che conferisce solidit\u00e0 ai risultati ottenuti per il modello. L’esperienza del team di NeuronUP potrebbe essere utile nella progettazione di un modello specifico<\/strong> per questo scopo, oppure nella creazione di modelli robusti da confrontare con il modello sviluppato.<\/p>\n\n\n\n

Li Zhou. Professoressa di medicina presso la Facolt\u00e0 di Medicina di Harvard da pi\u00f9 di dieci anni, \u00e8 la ricercatrice principale al Brigham and Women\u2019s Hospital. Ha conseguito un dottorato in Informatica Biomedica all’Universit\u00e0 di Columbia e la sua ricerca si \u00e8 concentrata sull’elaborazione del linguaggio naturale, la gestione della conoscenza e il supporto alle decisioni cliniche. Inoltre, \u00e8 stata la ricercatrice principale in numerosi progetti di ricerca finanziati da AHRQ, NIH e CRICO\/RMF.<\/p>\n\n\n\n

Bibliografia<\/h2>\n\n\n\n