{"id":33952,"date":"2024-10-24T09:00:00","date_gmt":"2024-10-24T07:00:00","guid":{"rendered":"https:\/\/neuronup.com\/?p=33952"},"modified":"2024-10-24T09:00:00","modified_gmt":"2024-10-24T07:00:00","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\/ricerca\/linee-di-ricerca\/modello-di-apprendimento-profondo-per-il-rilevamento-precoce-del-deterioramento-cognitivo-dalle-note-cliniche-nelle-cartelle-cliniche-elettroniche\/","title":{"rendered":"Modello di deep learning per la rilevazione precoce del deterioramento cognitivo a partire da 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 il rilevamento precoce del deterioramento cognitivo a partire dalle note cliniche nelle cartelle cliniche elettroniche”<\/em>.<\/p>\n\n\n\n

Perch\u00e9 \u00e8 importante questo studio sul modello di apprendimento a partire dalle 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 di successo, rallentare il deterioramento, prevenire lo sviluppo di malattie o facilitare l’iscrizione di partecipanti a 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 incrementer\u00e0 la sua incidenza<\/strong> nel corso dei prossimi anni.<\/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

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

Pur non essendo un’etichetta che corrisponde a una malattia di per s\u00e9, \u00e8 stato identificato che le persone con questa condizione potrebbero essere in una fase precoce di deterioramento cognitivo.<\/p>\n\n\n\n

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

Anche se si stanno compiendo grandi sforzi per migliorare i trattamenti per questi pazienti, la rilevazione del deterioramento cognitivo rimane una sfida<\/strong>, e il miglioramento degli strumenti di individuazione \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 fornire strumenti ai medici di assistenza primaria<\/strong>. Questi medici non sono specialisti in demenza, ma hanno contatto diretto con questa popolazione<\/strong>, pertanto dotarli di strumenti per la diagnosi si presenta come una soluzione praticabile.<\/p>\n\n\n\n

Cartelle cliniche elettroniche<\/h4>\n\n\n\n

L’uso delle cartelle cliniche elettroniche<\/strong> si propone come un’alternativa adeguata per l’elaborazione di tali strumenti, poich\u00e9 queste raccolgono la storia delle visite dei pazienti all’interno di un sistema di assistenza sanitaria.<\/p>\n\n\n\n

Tuttavia, \u00e8 importante sottolineare la difficolt\u00e0 di identificare i segni di deterioramento cognitivo non associati all’et\u00e0<\/strong>, che molte volte vengono documentati nelle valutazioni cognitive e nelle preoccupazioni dei pazienti registrate dagli operatori sanitari. Sebbene siano stati condotti studi con le informazioni cliniche dei pazienti, poche volte si \u00e8 approfondito l’uso delle note cliniche delle cartelle per questo 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 risorsa informativa che potrebbe catturare informazioni non considerate nella maggior parte degli studi. Analizzare manualmente le note cliniche sarebbe molto dispendioso, perci\u00f2 l’obiettivo dello studio \u00e8 stato sviluppare un modello di rilevamento automatico basato su apprendimento profondo<\/strong>.<\/p>\n\n\n\n

Pertanto, l’approccio di questo studio \u00e8 originale e innovativo nell’utilizzo delle note cliniche.<\/p>\n\n\n\n

Le note cliniche sono molto importanti per le cartelle sanitarie in ambito clinico. Tuttavia, il loro impiego in ambito scientifico \u00e8 stato limitato, rendendo la loro applicazione per il rilevamento precoce del deterioramento cognitivo di grande interesse.<\/p>\n\n\n\n

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

Base di dati <\/h3>\n\n\n\n

Per la realizzazione di questo studio sono stati presi i dati da 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 miglioramento, episodi transitori o reversibili, sono state considerate negative per il deterioramento cognitivo.<\/p>\n\n\n\n

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

In primo luogo, a causa della lunghezza delle note cliniche, \u00e8 stato utilizzato un processore di linguaggio naturale<\/strong> per suddividerle 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 a individuare sezioni contenenti indizi di deterioramento cognitivo. Tre annotatori hanno etichettato le sezioni, e i conflitti sono stati risolti mediante discussioni con esperti del settore, ottenendo un buon livello di accordo tra gli annotatori.<\/p>\n\n\n\n

Inoltre, \u00e8 stato creato un dataset 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, impiegato per lo sviluppo del modello, includeva esclusivamente 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 a caso<\/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 su 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 apprendimento profondo che era stata sviluppata in un lavoro precedente, oltre a quattro algoritmi di 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, che permetteva di gestire variazioni di parole e interpretare la previsione tramite strati di attenzione. Per ottenere maggiori informazioni sul modello, si raccomanda di consultare l’articolo in questione e le sue tabelle supplementari.<\/p>\n\n\n\n

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

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

D’altro canto, per i modelli di base, le sezioni sono state rappresentate dalla frequenza di apparizione dei termini<\/strong>, e gli algoritmi sono stati addestrati e testati mediante validazione incrociata<\/strong>. Successivamente, i risultati del modello sviluppato dal gruppo di ricerca sono stati confrontati con i 4 modelli di 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 permette di valutare le diverse soglie tra sensibilit\u00e0 e specificit\u00e0. AUPRC \u00e8 un’altra metrica importante che offre informazioni complementari per dati sbilanciati, quando la percentuale di casi positivi \u00e8 bassa.<\/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

Quali sono le principali conclusioni di questo studio sul modello di apprendimento a partire dalle note cliniche?<\/h2>\n\n\n\n

La conclusione principale di questo studio \u00e8 che \u00e8 possibile effettuare predizioni diagnostiche di deterioramento cognitivo utilizzando un modello basato sulle note cliniche<\/strong>. Questi pazienti potrebbero trovarsi nelle prime fasi del deterioramento cognitivo, permettendo 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 individuare i pazienti che svilupperanno deterioramento cognitivo, senza dipendere dai dati strutturati. Anche se il modello di apprendimento profondo \u00e8 stato il migliore, il modello XGBoost ha mostrato buone predizioni<\/strong>, e si propone come un’alternativa pi\u00f9 semplice nel caso non si disponga della tecnologia necessaria.<\/p>\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 dataset 1 e 2 (vedi tabelle 1 e 2, rispettivamente). \u00c8 particolarmente notevole che il modello basato sul 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, essendo sempre il modello di deep learning quello che predice meglio. Per quanto riguarda AUPRC, questo \u00e8 ancora pi\u00f9 evidente, poich\u00e9 questo modello \u00e8 l’unico che rimane al di sopra del 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 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 cauta con i falsi positivi, per cui l’informazione complementare di AUPRC consente di confermare il buon rendimento di questo modello.<\/p>\n\n\n\n

<\/div>\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 dataset con 4950 sezioni.<\/figcaption><\/figure>\n\n\n\n
<\/div>\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 dataset con 2000 sezioni.<\/figcaption><\/figure>\n\n\n\n
<\/div>\n\n\n\n

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

Un altro aspetto che mette in evidenza questo studio \u00e8 che la lunghezza delle note potrebbe influenzare le prestazioni del modello; tuttavia, mantenendo 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, sebbene sia 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 in uno studio come questo?<\/h2>\n\n\n\n

NeuronUP<\/a> potrebbe contribuire in diversi modi a uno studio come questo, poich\u00e9 ha una lunga esperienza nel lavoro con grandi quantit\u00e0 di dati.<\/p>\n\n\n\n

Come si osserva 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>, che conta su specialisti sia in ambito clinico sia nell’analisi dei dati, potrebbe fornire preziosi contributi nell’elaborazione delle informazioni<\/strong>, sia mediante l’uso di parole chiave sia senza di esse. <\/p>\n\n\n\n

D’altra parte, questo studio si distingue per il confronto di cinque modelli differenti, il che conferisce robustezza ai risultati ottenuti per il suo modello. L’esperienza del team di NeuronUP potrebbe inoltre essere utile nella progettazione di un modello specifico<\/strong> per questo scopo, o nella creazione di modelli robusti da confrontare con il modello sviluppato.<\/p>\n\n\n\n

Li Zhou.  Professoressa di medicina alla Harvard Medical School da oltre dieci anni, ed \u00e8 la ricercatrice principale al Brigham and Women\u2019s Hospital. Possiede un dottorato in Informatica Biomedica presso la Columbia University, 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