Les outils de TAL pour aider à répondre à des questions de faisabilité d’études cliniques

Les systèmes actuels de codification constituent des données structurées mais ne permettent pas d’accéder aux diverses informations présentes dans les notes ou les comptes rendus de bilan orthophonique. L’automatisation des processus de traitement de comptes rendus permet un gain de temps pour identifier les patients concernés. L’exploration du contenu des dossiers médicaux ou paramédicaux quant à elle, permet la réflexion sur des pratiques de terrain et contribue ainsi à la qualité des soins. Le projet vise la mise au point d’une méthode d’identification automatique de données non structurées dans les textes médicaux, permettant d’extraire des unités lexicales pertinentes du discours des professionnels de santé, répondant à leurs besoins. D’un point de vue fonctionnel, ce projet permet de répondre à des questions de faisabilité d’études cliniques, et d’explorer des pratiques suffisamment représentées au sein d’un territoire pour établir des procédures argumentées, fondées sur une pratique clinique et l’exploration des variables. Cela va faciliter l’évaluation du bénéfice/risque en évaluant les complications et le parcours de soins, et de documenter les modalités de mise en œuvre des traitements.

L’enjeu du projet est de répondre à des questions de faisabilité d’études cliniques, comme par exemple « Combien de patients ayant subi un AVC présentent une apraxie de la parole ? », ainsi que des questions relatives à l’exploration des pratiques suffisamment représentées au sein d’un territoire pour établir des procédures argumentées de type « indications de pose d’une SNG dans le cadre de dysphagie neurologique post-AVC. »

Ce traitement automatisé des comptes rendus est mis en valeur à travers un moteur de recherche.

Nous pouvons retenir :

1. Une extraction de concepts (i.e. entités nommées) combinant : – un outil de recherche d’expressions tolérant aux fautes développé par le laboratoire (QuickMatching) ; – deux modèles de deep learning (CamemBERT et Pyramid). Cette combinaison d’outils permet une augmentation de cinq points du résultat final par rapport au meilleur modèle (8% en absolu).
2. Cette combinaison est à l’état de l’art sur le jeu de données biomédical QUAERO.
3. Un moteur de recherche performant qui permet de : – sélectionner des dossiers patients aux caractéristiques communes ; visualiser ces dossiers ainsi que leur nombre.

Ainsi, les équipes médicales pourront utiliser cet outil pour structurer leurs informations, améliorer leurs connaissances ou avoir un rapide aperçu de l’historique médical d’un patient.