Free Text Analysis: Identification of adverse drug events in clinical notes
Notice bibliographique
Résumé
ObjectiveTo explore the prevalence of adverse drug events (ADE) leading to drug changes using Artificial Intelligence (AI) based free text analysis of primary care encounter notes . ApproachWe used electronic medical record l encounter notes linked to population-based drug dispensation records. Dispensation records were used to identify drug switching to another agent in the same therapeutic class, which could suggest an undesirable side-effect requiring discontinuation of the drug. We annotated clinical notes by identifying ADEs after retrieving the last encounter note written for that patient on or before the identified date. We ran different AI models, including BERT and Large Language Models (LLMs), to identify ADEs. ResultsWe annotated 1085 notes with 362 ADEs. These were used to train BERT models (precision or PPV: 0.584 ) and prompt-based LLM (0.563) but with improved sensitivity (0.725) and specificity (0.739) . ConclusionsIdentifying ADEs requires deep medical knowledge and simple Natural Language Processing models trying to identify ADEs only on the basis of language of encounter notes was not successful based on the BERT model performance. Prompt based models have deep knowledge but were trained with the objective of producing grammatically correct, coherent sentences, not with the medical knowledge required. LLMs also require significant computational power. ImplicationsWhile AI does have significant potential to advance our capacity for complex analytic tasks the current LLMs are not yet able to adequately identify ADEs in a corpus of electronic clinical notes.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,037 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,009 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».