23/10/2011. La sémantique au secours de l'information médicale

Transcription

1 La sémantique au secours de l'information médicale Patrick Watrin CENTAL & Knowbel Technologies 1

2 Plan 1. Introduction Contexte scientifique Extraction d information 2. Annotations à base d ontologies Détecter les effets secondaires non documentés de médicaments 3. Annotations à base de graphes 2

3 1. Introduction : Contexte scientifique Centre de traitement automatique du langage (Cental) Spécialisé dans : les technologies liées au traitement du langage (synthèse vocale, correction orthographique, gestion d information, ) Knowbel Technologies Get Knowledge out of Information! Sépacialisé dans : l identification identification, l extraction et la structuration d information Spin-Off du Cental Stanford Center for Biomedical Informatics Research Spécialisé dans : les systèmes à base de connaissances, conception et utilisation de terminologies et ontologies, les technologies pour le Web Semantique 3

4 1. Introduction : Extraction d information Le mot : identifier des unités de sens Unités lexicales l complexes Entités spécifiques du domaine (personnes, entreprises, dates, maladies, ) La phrase : identifier des liens sémantiques Relations : liens entre deux entités Evènement : ensemble cohérent de relations Le texte : indentifier des objets similaires Rassemblement d entités (Barak Obama, B. Obama, Obama) Rassemblement d évènements (saturation) 4

5 1. Introduction : Extraction d information 5

6 1. Introduction : Extraction d information 6

7 1. Introduction : Extraction d information 7

8 2. Annotations à base d ontologies «Annotation Analysis for Testing Drug Safety Signals» Paea LePendu, Stephen Racunas, Srinivasan Iyer, Yi Liu, Cedrick Fairon, Nigam Shah 8

9 Exemple : Vioxx Médicament (Rofécoxib) pour traiter arthrose et polyarthrite rhumatoïde Retiré du marché parce qu il «augmente le risque» d infarctus FDA estime à plus de le nombre de victimes A rapporté à Mecks 2,5 Milliards de dollars Question : aurait-on pu détecter des signaux plus tôt? 9

10 Generation de données étiquetées BioPortal knowledge graph Text clinical note Creating clean lexicons Procedures Diseases Frequency Syntactic types Term 1 : : : Term n Term recognition tool NCBO Annotator Annotation Workflow NegEx Patterns Drugs Terms Recognized P1 ICD9 ICD9 ICD9 ICD9 ICD9 ICD9 Furthe er Analysis ort f rest Coh of Inter P1 T1, T5, T4, T8, T6, T2, T4, T3, T9, T8, no T4 T3 T1 T4 T10 P2 P2 P3 P3 : : Pn Terms form a temporal series of tags Pn T1, T2, no T4 NegEx Rules Negation detection Negation detection 10

11 Adverse drug events ROR of 2.058, CI of [1.804, 2.349] PRR of 1.828, CI of [1.645, 2.032] The uncorrected X 2 statistic has p value < ROR=1.524, CI=[0.872, 2.666] PRR=1.508, CI=[0.8768, 2.594] X 2 p value=

12 Exemple : Vioxx Approche «Full text» Patients avec RA Avant t2005 MI Pas de MI Total Vioxx A=339 B= Pas de Vioxx C=1488 D= Total Uniquement avec les codes ICD9 ROR of 2.058, CI of [1.804, 2.349] PRR of 1.828, CI of [1.645, 2.032] The uncorrected X 2 statistic has p value < Patients avec RA MI Pas de MI Total Avant 2005 Vioxx A=16 B= Pas de Vioxx C=61 D= Total Séminaire du CENTAL ROR=1.524, CI=[0.872, 2.666] PRR=1.508, CI=[0.8768, 2.594] X 2 p value=

13 Annotations à base de graphes Projet pour SSA Cental/Stanford 13

14 Objectif Projet pour la Social Security Administration Déterminer si un demandeur d est éligible ibl pour des aides liées à une invalidité De très gros dossiers à étudier et à confronter à un système de règles complexe (SSA Blue Book: Approche «machine learning» impossible, par manque de dossier 14

15 Dossier du demandeur Hétérogène Formats multiples 15

16 VA2XML txt clean split wrap merge xml xslt 16

17 <text> <procedure> <diagnostic> <TEXT> txt VA2XML xml wrap BMAR MERGE xml Stand-off Annotations parser 17

18 Delaf Icd9cm Icd10 Snomed-disease Subs-Orange Drugs-Orange Drugs-rcd dic dic txt Preprocessing NegEx Annotation XMLz xml Unitex Script Perl 18

19 Résultat de l analyse (maladies) Ontologies Séminaire du CENTAL 19

20 Résultat de l analyse (signes vitaux) 20

21 Ex.: Signes Vitaux 21

22 Ex.: Signes Vitaux 22

23 Conclusion Accès à l information est un enjeu pour la qualité des soins, la sécurité du patient et la recherche Dossiers médicaux contiennent t beaucoup de texte t libre Rôle important du TAL & bases de connaissances 23