Analyse de cooccurrences de concepts biomédicaux dans MEDLINE

Transcription

1 Analyse de cooccurrences de concepts biomédicaux dans MEDLINE Hocine Abdoune*, Lina Soualmia**, Michel Joubert* *LERTIM, EA 3283, Faculté de Médecine, Université d Aix-Marseille 2 27 boulevard Jean Moulin, Marseille hocine.abdoune@univmed.fr, mjoubert@ap-hm.fr **LIM&Bio, EA 3969, Université Paris 13, Sorbonne Paris Cité 74, rue Marcel Cachin, Bobigny lina.soualmia@gmail.com Résumé. Contexte : MEDLINE est la plus importante banque de données documentaire dans le domaine biomédical. MeSH est le thesaurus utilisé pour indexer les notices de MEDLINE. Parmi les termes d indexation d une notice, certains sont considérés comme majeurs par les indexeurs. Objectif : analyser les cooccurrences des termes majeurs pour tenter de leur donner une signification médicale. Matériel : UMLS (Unified Medical Language System) de la National Library of Medicine des Etats-Unis propose entre autres sources de connaissances des tables de cooccurrences. La table des cooccurrences entre termes majeurs des notices de MEDLINE entre 2004 et 2008 (n= ) a été exploitée. Méthode : le lift a été retenu comme mesure de l intérêt de l association entre deux concepts. Résultats : termes majeurs distincts sont associés dans cooccurrences, dont (5%) présentent une valeur de lift supérieure à 1, ce qui traduit une association intéressante. Discussion : le Semantic Network de l UMLS pourrait être exploité afin de donner une signification aux associations, grâce aux relations sémantiques qu il propose. 1 Introduction Le MeSH (Medical Subject Headings) est un thésaurus biomédical publié et mis à jour par la National Library of Medecine (NLM) des Etats-Unis. Il est notamment utilisé pour l'indexation des références bibliographiques de la base de données MEDLINE. Le thésaurus MeSH contient descripteurs ou termes d indexation. La base MEDLINE recense plus de 17 millions d articles scientifiques. Ces articles sont référencés à l aide de notices descriptives. Chaque notice contient une quinzaine de descripteurs (que nous nommerons «termes» par la suite), représentant les concepts abordés par les auteurs (ex : Diabète, Médicament, Asthme, etc.). Le cas échéant, ces termes peuvent être affiliés à des qualificatifs pour en préciser un aspect particulier. Le thésaurus MeSH comporte 83 qualificatifs (ex : diagnostic, thérapeutique, etc.). Ainsi le terme Asthme peut apparaître tout seul ou précisé par un ou plusieurs qualificatifs. Par exemple : Asthme/diagnostic, Asthme/thérapeutique. Dans les notices descriptives, un astérisque peut être associé au descripteur ou au qualificatif lors de l'indexation pour indiquer que c'est un terme MeSH majeur. Par exemple: *Asthme/diagnostic indique que l article a comme thème majeur l asthme alors que Asthme/thérapeutique* indique que l article a comme thème majeur la thérapeutique de l asthme. L extraction de connaissances à partir de données consiste à analyser des données brutes afin d en extraire des connaissances exploitables dans un autre processus. L'adaptation de méthodes de fouille de données à des corpus de documents préalablement indexés en santé permet d'en extraire de nouvelles connaissances (préalablement inexistantes) exprimées sous la forme de règles d'association entre concepts. L extraction s appuyant sur des connaissances du domaine permet d en préciser la nouveauté. Par exemple, <cancer du sein/prévention et contrôle> <mammographie> entre termes du thésaurus MeSH est considérée comme nouvelle connaissance, puisqu elle n existait pas en tant que telle dans le thésaurus. En appliquant ce type d'association dans un processus de recherche d'information, une requête sur le terme mammographie permet de proposer à l'utilisateur des documents traitant de la prévention du cancer du sein. Parallèlement, cela permet de modéliser d'autres règles comme : <fœtus/échographie> < échographie prénatale> qui peut être exploitée notamment dans un processus d'indexation de documents (Soualmia et al., 2011). 71

2 Il existe dans le domaine de la santé pratiquement autant de terminologies que de champs d application. Ce sont, pour les plus utilisées d entre elles : SNOMED pour le codage des données cliniques, CIM-10 (Classification International des Maladies) et CCAM (Classification Commune des Actes Médicaux) sont réglementairement utilisées à des fins épidémiologiques et médico-économiques dans tous les établissements français de soins, CISP est une classification conçue pour la médecine de famille et les soins primaires, MeSH est le thesaurus d indexation et de recherche d information privilégié dans le domaine de la santé, les domaines de la pharmacologie et de la pharmacovigilance utilisent les codes ATC (Anatomical Therapeutical Chemical), MedDRA (Medical Dictionary for Regulatory Activities) et WHO-ART (Adverse Reaction Terminology), LOINC (Logical Observation Identifiers Names and Codes) est un standard pour enregistrer électroniquement les résultats de laboratoire. Et il en existe bien d autres. Certaines, comme MeSH et MedDRA par exemple, sont traduites dans de nombreuses langues. L UMLS (Unified Medical Language System) est un produit de la NLM qui fournit un cadre unificateur pour établir des passerelles entre les diverses terminologies biomédicales (Lindberg et al., 1993). Le Metathesaurus de l UMLS recense plus de 130 terminologies (voir National Library of Medicine) et concepts biomédicaux dans sa version de 2009AA. L objectif de cette étude est d analyser les cooccurrences de termes majeurs présents dans les notices de la base MEDLINE pour tenter de mesurer l intérêt que peuvent présenter leurs associations grâce à des méthodes de fouilles de données. L objet de cette étude s inscrit dans le cadre d un projet de recherche subventionné par l Agence Nationale de la Recherche 1. L idée ici est de compléter la navigation hiérarchique d un utilisateur au sein d un serveur multi-terminologies de santé, par une navigation reposant sur les associations entre termes notamment extraites de l UMLS. 2 Matériel La base de données bibliographique MEDLINE contient notices datées entre les années 2004 et Les termes MeSH définissent un vocabulaire contrôlé en anglais qui permet de décrire les articles indexés dans MEDLINE. Du Metathesaurus de l UMLS nous avons exploité : - La table MRCONSO qui recense de manière unique chaque concept répertorié dans l UMLS et auquel un identificateur unique est attribué (CUI). Exemple : le concept Hypertension intracrânienne a l identifiant unique C La table MRCOC qui fournit les cooccurrences entre termes majeurs ou associés à des qualificatifs majeurs. Exemple : le concept Hypertension intracrânienne (C ) est cooccurrent avec le concept Tomodensitométrie (C ). MRCOC repose sur trois sources de données : MEDLINE, CCPSS (Canonical Clinical Problem Statement System), et AI/RHEUM (The Artificial Intelligence RHEUMatology consultant system). Dans notre étude, le nombre total de termes MeSH majeurs et/ou qualificateurs majeurs utilisés pour indexer ces notices est de , ce qui représente cooccurrences dans la table MRCOC entre les années 2004 et Méthode Notre approche consiste dans un premier temps à identifier dans la table MRCOC, tous les couples de termes MeSH qui sont cooccurrents dans les notices de MEDLINE. Dans cette table, on trouve pour chaque couple (CUI 1, CUI 2 ), des attributs de cooccurrence qui qualifient le premier concept CUI 1, et une fréquence de cooccurrence avec CUI 2. Par exemple : Hypertension artérielle (CUI 1 = C ) est en cooccurrence avec Infarctus du myocarde (CUI 2 = C ) 182 fois et les qualificatifs sont : complication et physiothérapie. Toutes les associations possibles entre les termes MeSH n ont pas forcement de signification médicale. Par exemple, comme nous l illustrerons plus loin, Hépatectomie (ablation d une partie du foie) n est pas liée avec un cancer colorectal. Pour évaluer ces associations, on introduit ci-après quelques notions de fouille de données. On 1 ANR-2007-TECSAN

3 définit le Support(CUI 1, CUI 2 ) comme la probabilité d apparition simultanée d un couple de termes MeSH (CUI 1, CUI 2 ) dans une notice. Cette mesure permet de mesurer l utilité d une telle association. Support(CUI 1, CUI 2 ) = P(CUI 1 CUI 2 ) La Confiance (CUI 1, CUI 2 ) est la probabilité que le concept CUI 2 soit présent dans une notice sachant le concept CUI 1 l est. La Confiance est le rapport entre le Support(CUI 1, CUI 2 ) et la probabilité d avoir le concept CUI 1 (Lallich et Teytaud, 2004). La confiance permet de mesurer la précision d une telle association. Confiance(CUI 1, CUI 2 ) = Support(CUI 1, CUI 2 ) / P(CUI 1 ) = P(CUI 1 CUI 2 ) / P(CUI 1 ) = P(CUI 2 / CUI 1 ) Lorsque l effectif des éléments étudiés (les notices de MEDLINE, dans notre cas) est important et les probabilités des évènements étudiés (les termes d indexation, dans notre cas) sont faibles, le Support et la Confiance s avèrent être insuffisants pour sélectionner un ensemble de couples (CUI 1, CUI 2 ) intéressants (Francisci et al., 2003). Tout particulièrement dans notre cas, les supports de CUI 1 et CUI 2 sont très faibles par rapport à la probabilité de CUI 1. C'est pourquoi nous introduisons la notion de Lift d une association (Brin et al., 1997). Nous l avons retenu parmi les différentes mesures proposées du fait de sa simplicité de mise en œuvre (Geng et Hamilton, 2006). Le lift permet de mesurer l intérêt d une telle association. Il est défini par : Lift(CUI 1, CUI 2 ) = Confiance(CUI 1, CUI 2 ) / P(CUI 2 ) = P(CUI 1 CUI 2 ) / (P(CUI 1 ) P(CUI 2 )) = P(CUI 2 / CUI 1 ) / P(CUI 2 ) Lorsque les évènements étudiés sont indépendants, ici les termes d indexation, alors P(CUI 1 ^ CUI 2 ) = P(CUI 1 ) P(CUI 2 ). Dans ce cas Lift(CUI 1, CUI 2 ) = 1. Ce sont donc les cooccurrences dont le Lift est supérieur à 1 qui sont intéressantes puisqu elles indiquent la présence d une relation entre CUI 1 et CUI 2 (Geng et Hamilton, 2006). 4 Résultats Pour chacun des couples (CUI 1, CUI 2 ) nous avons calculé la Confiance et le Lift. Le nombre de couples pour lesquels la valeur du Lift est supérieure à 1 est (5%). Dans le tableau TAB1 nous présentons quelques exemples avec des caractéristiques différentes en fonction des fréquences, de la confiance et du lift. Le premier exemple montre deux termes fréquents et fréquemment en cooccurrence dont la Confiance d association est faible, mais dont le Lift est supérieur à 1. En effet, une mastectomie partielle est une ablation d une partie d un sein pour en extraire une tumeur. Le second exemple est presque similaire au premier, sauf que les deux termes sont moins fréquemment en cooccurrence. En effet, la Mémantine est une molécule servant à produire des médicaments utilisés dans le traitement de la maladie d Alzheimer. Dans ces deux cas la connaissance médicale confirme l intérêt de leurs associations. Le troisième exemple montre deux termes fréquemment utilisés, mais très peu fréquemment en cooccurrence. Néanmoins, la valeur du Lift est supérieure à 1. Dans ce cas aussi la consultation de la connaissance médicale valide ce résultat. En effet des carcinomes verruqueux sont des tumeurs que l on trouve souvent dans les cavités buccales dont la gencive fait partie. Le quatrième exemple montre des termes très fréquemment utilisés, fréquemment en cooccurrence, mais dont la valeur de la Confiance de leur association est faible, ce qui est confirmé par la valeur faible du Lift. Il est vrai que si ces deux termes sont souvent en cooccurrence dans la littérature, leur association est sans signification médicale. En effet, si des cellules cancéreuses métastatiques ont atteint le foie ce qui nécessite l ablation d une partie de celui-ci (i.e. une hépatectomie), elles ne viennent pas forcément du colon, localisation des tumeurs colorectales, mais peuvent provenir d autres organes (sein, poumon, etc.). 73

4 Terme A Terme B Freq(A) Freq(B) Freq(A,B) Conf(A,B) Lift(A,B) Tumeurs du sein Maladie d'alzheimer Carcinome verruqueux Hépatectomie Mastectomie partielle ,001 1,12 Mémantine ,0007 1,02 Tumeur de la gencive Tumeurs colorectales ,0025 1, ,02 0,48 TAB. 1 Exemples de calcul du Lift(A,B) entre des couples de termes en cooccurrence dans la base MEDLINE entre 2004 et Légende : Freq(X) est le nombre d occurrences du terme X, Freq(A,B) le nombre de cooccurrences des termes A et B, Conf(A,B) la valeur de la Confiance de B si A. Dans le tableau TAB2 nous présentons le nombre et le pourcentage de chaque type d association décrit par les différents exemples cités ci-dessus. Le pourcentage est calculé par rapport au nombre total des couples de termes cooccurrents ( ). Nous n y avons pas fait figurer la Confiance(A,B) qui, comme nous l avons constaté précédemment, est toujours faible. D après les éléments du tableau, la différence entre les mesures Lift(A,B) et leur Fréquence(A,B) est très significative. En effet le χ² des données avec un degré de liberté k=1 et un risque de 5% est de (nettement supérieur à la distance critique 3,84 pour les mêmes degrés de liberté et de risque). Freq(A,B)>10 Lift(A,B)>1 Freq(A,B)<10 Lift(A,B)>1 Freq(A,B)>10 Lift(A,B)<1 Nombre de couples Pourcentage de couples 1,6% 3,6% 11,1% TAB. 2 Nombre de couples de termes en cooccurrence et leurs pourcentages pour des valeurs de Lift et de Fréquence différentes. 5 Discussion Hormis quelques cas exceptionnels de l ordre de 90 (soit environ 2 pour 1000 des cooccurrences), les associations dont la valeur de Lift est supérieure à 1 semblent s expliquer médicalement. Une expertise humaine serait cependant nécessaire pour valider ce résultat. Cela concerne 5% des cooccurrences de l UMLS, soit couples de termes majeurs. Rappelons toutefois que l objectif n est pas d établir une connaissance experte mais de guider un utilisateur dans la consultation de terminologies et de l aiguiller, lorsqu il centre sa recherche sur un concept donné, vers des concepts connexes de la même ou d autres terminologies. Notons que ces concepts connexes sont de type autre que hiérarchique. Si nous reprenons l exemple de la mastectomie partielle et des tumeurs du sein, l utilisateur peut compléter ses connaissances sur les tumeurs du sein par d autres que celles proposées dans les navigateurs de terminologies, à savoir que la mastectomie partielle est l ablation de la tumeur du sein. En effet, la majeure partie des navigateurs de terminologies ne proposent qu une navigation de type hiérarchique, indiquant que tumeurs du sein est un type de tumeurs qui est une maladie Notre but est également de donner une signification à ces associations jugées pertinentes entre concepts. Pour cela l UMLS propose entre autres sources de connaissance un Semantic Network constitué de types sémantiques auxquels les concepts du Metathesaurus sont attachés et de relations sémantiques entre ces types de concepts. Les relations sémantiques sont précises (ex : causes, treats, complicates, etc.), malheureusement les types de concepts sont très génériques (ex : diseases, procedures, etc.). Il est donc difficile de l exploiter tel quel. Dans une étude précédente nous avons établi une correspondance entre des termes génériques de MeSH avec leurs qualificatifs grâce aux relations du réseau sémantique de l UMLS (Gaudinat et al., 2004) à la suite de travaux sur la sémantique des cooccurrences de concepts dans l UMLS (Burgun et Bodenreider, 2001). Cette étude a été 74

5 poursuivie pour aider à l indexation de notices bibliographiques dans le but de mettre en évidence les termes majeurs dans une liste de mots-clés proposés par des indexeurs (Joubert et al., 2005). Nous pensons que cette même démarche pourrait être appliquée suite à cette étude. Elle pourrait permettre de donner une signification médicale aux associations retenues, à condition que les qualificatifs attachés aux termes d indexation soient connus exactement, ce qui n est pas le cas actuellement dans la table MRCOC délivrée avec l UMLS. Une recherche approfondie nécessiterait le téléchargement de l ensemble des notices MEDLINE pour une période donnée et un traitement informatique coûteux pour établir des cooccurrences précises mettant en jeu les termes majeurs et leurs qualificatifs. Références Brin, S., R. Motwani et C. Silverstein (1997). Beyond market baskets: generalized association rules to correlations. Proc. ACM SIGMOD: Burgun, A. et O. Bodenreider (2001). Methods for exploring the semantics of the relationships between cooccurring UMLS concepts. Stud Health Technol Inform; 84: Francisci, D., L. Brisson et M. Collard M. (2003). Extraction de règles selon des critères multiples : l art du compromis. Projet MECOSI, rapport ISRN I3S/RR FR. Gaudinat, A., M. Joubert, S. Aymard, L. Falco, C. Boyer et M. Fieschi (2004). WRAPIN: new health search engine generation using UMLS Knowledge Sources for MeSH Term Extraction from Health Documentation. Proc. MEDINFO. IOS Press: Geng, L. et H. Hamilton (2006). Interestingness Measures for Data Mining: A Survey. ACM Computing Surveys; 38, 3. Joubert, M., A-L. Peretti, J. Gouvernet et M. Fieschi (2005). Refinement of an automatic Method for Indexing medical Literature a preliminary Study. Stud Health Technol Inform; 116: Lallich, S. et O. Teytaud (2004). Évaluation et validation de l'intérêt des règles d'association. Revue des Nouvelles Technologies de l'information, RNTI-E-1: Lindberg, D.A., B.L. Humphreys et A.T. McCray (1993). The Unified Medical Language System. Methods Inf Med; 32: National Library of Medicine. UMLS Metathesaurus. Soualmia, LF., Dahamna B., Darmoni SJ (2011). Extracting and evaluating knowledge from e-health documents: a contribution to information retrieval and indexing. Chapter in Book : Information Extraction from Internet. iconcept press. Summary Background: MEDLINE is the largest documentary database for the biomedical domain. MeSH is the thesaurus used to index MEDLINE notices. Among the key-words of a notice, some are considered as major ones by the indexers. Objective: to analyze cooccurrences of major terms and to try give them significance. Material: UMLS (Unified Medical Language System) of the U.S. National Library of Medicine allows cooccurrences tables among other knowledge sources. The cooccurrences table between major terms in MEDLINE notices between 2004 and 2008 (n= ) has been exploited. Method: lift has been retained as the measure of the interestingness of the association of two concepts. Results: distinct major terms are associated in cooccurrences, (5%) of which have a lift value greater than 1, which represents interesting associations. Discussion: the UMLS Semantic Network could be exploited in order to give significance to the associations thanks to the semantic relationships it suggests. 75