提高藥品安全使用NLP與不良事件檢測

通過阿米爾Kermany,邁克爾·奧爾特加,莫裏茨斯特勒,大衛Talby和邁克爾Sanky

2022年1月17日在工程的博客

分享這篇文章

不要錯過我們的即將到來的虛擬車間與約翰·斯諾實驗室,改善與NLP的藥品安全,了解更多關於我們的聯合NLP加速器為藥物不良事件檢測的解決方案。

世界衛生組織定義藥物警戒為“科學和活動相關檢測、評估,了解和預防不良反應或其他醫學/與疫苗有關的問題。”In other words, drug safety.

藥物警戒:藥品安全監測在現實世界

盡管所有藥物和疫苗進行嚴格的測試安全性和有效性的臨床試驗,某些副作用可能隻出現一次這些產品都是使用的更大、更多樣化的患者人群,包括人與其他並發疾病。

支持正在進行的藥品安全,生物製藥製造商必須報告藥物不良事件(醫療監管機構,如美國食品和藥物管理局(FDA)在美國和歐洲藥品局(EMA)在歐盟。藥物不良反應或治療期間發生的事件是醫療問題的藥物或療法。值得注意的是,出去,不一定有一個休閑與治療的關係。但總的來說,主動報告的不良事件是一個關鍵的信號檢測係統的一部分使用,確保藥品安全。

不良事件檢測需要正確的數據基礎

監測患者安全作為收集更多的數據變得更加複雜。事實上,隻有不到5%的醫療報告通過官方渠道和絕大多數是在自由文本捕獲通道:病人的電子郵件和電話支持中心,社交媒體文章、銷售臨床醫生和製藥公司銷售代表之間的對話,病人在線論壇,等等。

健全藥品安全監測要求製造商,製藥公司和藥品安全組織監控和分析非結構化醫學文本從各種各樣的術語,格式,渠道和語言。有效,組織需要一個現代的、可伸縮的數據和人工智能平台,可以提供科學嚴謹、接近實時的見解。Beplay体育安卓版本

前進道路的開始的磚Lakehouse現代數據平台,結合了數據倉庫的最Beplay体育安卓版本佳元素與低成本、靈活性和雲數據規模湖。這個新的,簡化架構使衛生保健提供者和生命科學組織召集所有的數據結構(如診斷和程序代碼中發現電子病曆),半結構化(如臨床筆記)和非結構化(如圖片),到一個高性能的傳統分析和數據科學的平台。Beplay体育安卓版本

在這些功能的基礎上,磚與約翰·斯諾合作實驗室,領導人在醫療保健自然語言處理(NLP),提供一個堅實的NLP工具針對醫療文本。這是至關重要的,盡可能多的數據用於不良事件檢測是基於文本的。您可以了解更多關於我們的夥伴關係與約翰·斯諾在我們以前的博客,應用自然語言處理健康大規模文本。

解決方案加速器為藥物不良事件檢測

幫助組織監控藥品安全問題,磚和約翰·斯諾實驗室建立了解決方案加速器筆記本外殼使用NLP。在我們之前的博客,通過利用磚Lakehouse平台,我們可以使用pre-trained NLP模型從非結構化文本中提取高度專業化結構和構建功能強大的分析和Beplay体育安卓版本儀表板為不同的角色。加速器在這個解決方案中,我們展示了如何使用pre-trained模型處理會話文本,提取和藥物不良事件信息,建立一個Lakehouse權力下遊各種用例的藥物警戒。

解決方案加速器遵循四個基本步驟:

攝取大規模非結構化醫學文本。
使用pre-trained NLP模型來提取有用信息,如不良事件(如腎損害),藥物名稱和時機接近實時的事件。
與藥物相關的不良事件實體建立關係。
測量頻率來確定意義的事件。

下麵是一個簡短的總結中包含的工作流筆記本。

藥物不良事件檢測工作流程的概述

從原始文本數據,我們使用20000文本的語料庫與已知的表麵狀態(4200文本包含正麵)和應用pre-trained biobert模型檢測表麵狀態和評估模型的特異性和靈敏度基於地麵真理和準確性的信心水平的任務。此外,我們從對話文本中提取實體表麵狀態和藥物利用ner_ade_clinical和ner_posology模型的結合。