A209 VALIDATION OF A NATURAL LANGUAGE PROCESSING ALGORITHM TO EXTRACT DATA FOR SYSTEM-LEVEL ADENOMA DETECTION RATE CALCULATION
Notice bibliographique
Résumé
Patients of endoscopists with lower adenoma detection rates (ADR) are more likely to die from missed colorectal cancers. Measuring ADR is challenging at the system level as pathology results are generally reported in unstructured electronic medical records. Natural language processing (NLP) can be used to extract relevant information from text-based records. At Cancer Care Ontario (CCO), we developed and validated a NLP algorithm to identify colorectal adenomas in unstructured electronic pathology reports available in CCO’s Electronic Mapping Reporting and Coding (eMaRC) data. We identified pathology reports from colonoscopies in eMaRC as those with specimen type ‘biopsy’ and anatomic site ‘colon’. The sampling period was restricted to 2015–16 and patients older than 50 years. From this sampling frame, two random samples of 450 and 1,000 reports were selected as the test and validation sets. Expert clinicians reviewed and classified reports as adenoma or other. The test set was used to develop an NLP algorithm to identify adenomas using Base SAS 9.4. Statistical analyses, including sensitivity (recall), specificity, precision (positive predictive value) and F1 score of the NLP algorithm compared to clinician review were determined. A significant proportion of Ontario colonoscopists, patologists and laboratories were represented in the examined validation sets. The sensitivity of the NLP algorithm was approximately 100% (95 %CI: 98.51–100) and 99.81% (95 %CI: 98.97–100) in the test and validation sets, respectively. Similarly, the specificity was 99.08% (95 %CI: 94.99–99.98) and 100% (95 %CI: 99.21–100). The CCO NLP algorithm was highly accurate in identifying colorectal adenomas in eMaRC data across many institutions in Ontario,. This lays the groundwork to measure ADR at the system-level in Ontario Cancer Care Ontario
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».