Symptoms extraction and automatic diagnosis prediction from medical clinical records

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

The paper introduces a system for symptoms extraction from medical clinical records (texts in natural Russian language) and automatic prediction of a diagnosis in the form of the disease title and its ICD-10 code. The system is designed for a restricted domain of 6 pulmonary diseases (chronic obstructive pulmonary disease, pneumonia, bronchial asthma etc) and COVID-19.Different neural networks are employed for the symptoms extraction by recognizing certain medical entities and relations between them. A classifier based on a neural network is responsible for the automatic diagnosis. An annotated corpus of sentences is created for the training of the neural networks. The principles and rules of the annotation are described. A corpus of texts is used for the training of the classifier.Both subsystems were tested, the resulting accuracy estimates are provided. The accuracy of diagnosis in the given domain is 88.5%. We also compare our system with similar works on symptom extraction from texts in various languages, as well as on automatic diagnosis, including systems such as ChatGPT.

Авторлар туралы

Yuri Serdyuk

Ailamazyan Program Systems Institute of RAS

Email: Yuri@serdyuk.botik.ru

Әдебиет тізімі

  1. Романов Н. А., Сачек М. М.. «Системы поддержки принятия клинических решений: современное состояние и проблемы», Вопросы организации и информатизациии здравоохранения, 2018, №3, с. 18–25.
  2. Osheroff J. A.. Improving medication use and outcomes with clinical decision support: a step-by-step guide, HIMSS Publishing, 2009, ISBN 9780980069730, 300 pp.
  3. Yalunin A., Nestrov A., Umerenkov D.. RuBioRoBERTa: a pre-trained biomedical language model for Russian language biomedical text mining, 2022, 5 pp.
  4. Blinov P., Avetisian M., Kokh V., Umerenkov D., Tuzhilin A.. “Predicting clinical diagnosis from patients electronic health records usin BERT-based neural networks”, Artificial Intelligence in Medicine: 18th Int. Conf. on Art. Intel. In Medicine, AIME 2020 (Minneapolis, MN, USA, August 25-28, 2020), Lecture Notes in Computer Science, vol. 12299, Springer, Cham, 2020, ISBN 978-3-030-59136-6, pp. 111–121.
  5. Garg R. K., Urs V. L., Agarwal A. A., Chaudhary S. K., Paliwal V., Kar S. K.. “Exploring the role ChatGPT in patient care (diagnosis and treatment) and medical research: a systematic review”, Health Promotion Perspectives, 13:3 (2023), pp. 183–191.
  6. Steinkamp J. M., Bala W., Sharma A., Kantrowitz J. J.. “Task definition, annotated dataset, and supervised natural language processing models for symptom extraction from unstructured clinical notes”, Journal of Biomedical Informatics, 102 (2020), 103354, 9 pp.
  7. Гаврилов Д. В., Кирилкина А. В., Серова Л. М.. «Алгоритм формирования подозрения на новую коронавирусную инфекцию на основе анализа симптомов для использования в системах поддержки принятия врачебных решений», Врач и информационные технологии, 2020, №4, с. 51–58.
  8. Umerenkov D., Zubkova G., Nesterov A.. Deciphering diagnosis: how large language models explanations influence clinical decision making, 2023, 11 pp.
  9. Tutubalina E., Alimova I., Miftahutdinov Z., Sakhovskiy A., Malykh V., Nikolenko S.. “The Russian Drug Reaction Corpus and neural models for drug reactions and effectiveness detection in user reviews”, Bioinformatics, 37:2 (2021), pp. 243–249.
  10. Barile J., Margolis A., Cason G., Kim R., Kalash S., Tchaconas A., Milanaik R.. “Diagnostic accuracy of a large language model in pediatric case studies”, JAMA Pediatrics, 178:3 (2024), pp. 313–315.
  11. Сердюк Ю. П., Власова Н. А., Момот С. Р.. «Система извлечения упоминаний симптомов из текстов на естественном языке с помощью нейронных сетей», Программные системы: теория и приложения, 14:1(56) (2023), с. 95–123.
  12. Shang Yu-M., Huang H., Mao X. L.. “OneRel: Joint entity and relation extraction with one module in one step”, The Thirty-Sixth AAAI Conference on Artificial Intelligence (AAAI-22) (February 22–March 1, 2022, online), Curran Associates, Inc., 2022, ISBN 9781713855743, pp. 11285–11293.
  13. Joshi M., Chen D., Liu Y., Weld D. S., Zettlemoyer L., Levy O.. “SpanBERT: improving pre-training by representing and predicting spans”, Transactions of the Association for Computational Linguistics, 8 (2020), pp. 64–77.
  14. Lybarger K., Ostendorf M., Thompson M., Yetisgen M.. “Extracting COVID-19 diagnoses and symptoms from clinical text: A new annotated corpus and neural event extraction framework”, Journal of Biomedical Informatics, 117 (2021), 103761, 13 pp.
  15. Thirunavukarasu A. J., Ting D. S. J., Elangovan K., Gutierrez L., Tan T. F., Ting D. S. W.. “Large language models in medicine”, Nat. Med, 29:8 (2023), pp. 1930–1940.
  16. Shah N. H., Entwistle D., Pfeffer M. A.. “Creation and adoption of large language models in medicine”, JAMA, 330:9 (2023), pp. 866–869.
  17. Singhal K., Azizi S., Tu T., Mahdavi S. S., Wei J., Chung H. W., Scales N., Tanwani A., Cole-Lewis H., Pfohl S., Payne P., Seneviratne M., Gamble P., Kelly Ch., Babiker A., Schärli N., Chowdhery A., Mansfield Ph., Demner-Fushman D., Agüera y Arcas B., Webster D., Corrado G. S., Matias Y., Chou K., Gottweis J., Tomasev N., Liu Y., Rajkomar A., Barral J., Semturs Ch., Karthikesalingam A., Natarajan V.. “Large language models encode clinical knowledge”, Nature, 620:7972 (2023), pp. 172–180.
  18. Young C. C., Enichen E., Rivera Ch., Auger C. A., Grant N., Rao A., Succi M. D.. “Diagnostic accuracy of a custom large language model on rare pediatric disease case reports”, American Journal of Medical Genetics, Part A, 2024, e63878.
  19. Kanjee Z., Crowe B., Rodman A.. “Accuracy of generative artificial intelligence model in a complex diagnostic challenge”, JAMA, 330:1 (2023), pp. 78–80.
  20. Gargari G. K., Fatehi F., Mohammadi I., Firouzabadi S. R., Shafiee A., Habibi Gh.. “Diagnostic accuracy of large language models in psychiatry”, Asian Journal of Psychiatry, 100 (2024), 104168.
  21. Nielsen M.. Neural networks and deep learning, 2016, free online book URL neuralnetworksanddeeplearning.com.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу


Creative Commons License
Бұл мақала лицензия бойынша қолжетімді Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».