Scand J Gastroenterol (IF-1,7). Cyfrowa analiza nieszablonowych opisów badań obrazowych. Jaka jest jej dokładność?
Autorzy z Izraelskiej grupy epi-IIRN zauważyli, że możliwości wykorzystania wyników badań obrazowych w dokumentacji medycznej i administracyjnych bazach danych są ograniczone z powodu braku standaryzacji języka opisującego zmiany radiologiczne, a mogłyby przydać się do prognozowania przebiegu choroby.
Co nowego?
Opracowaliśmy – piszą autorzy – narzędzie do przetwarzania języka naturalnego (NLP), które automatycznie wyodrębnia zmienne obrazowe z raportów radiologicznych i integruje je z danymi klinicznymi.
Ich celem była – jak wspomnieliśmy – ocena, czy tak uzyskany przetworzony zapis jest pomocny do prognozowanie przebiegu choroby Leśniowskiego-Crohna u dzieci i dorosłych.
Jak udzielono odpowiedzi na to pytanie?
Opisy enterografii rezonansu magnetycznego i enterografii tomografii komputerowej pacjentów z nowo zdiagnozowaną chorobą Leśniowskiego-Crohna zostały połączone z danymi klinicznymi pochodzącymi z ogólnokrajowej kohorty epi-IIRN i przetworzone za pomocą modelu NLP Hierarchical Structured Matching Prediction BERT (HSMP-BERT), czytamy w opisie metody.
Co konkretnie oceniano?
Pierwszorzędowym punktem końcowym był przebieg choroby określony jako „trudny do leczenia”, a zdefiniowany przez zależność od steroidów, konieczność stosowania ≥2 klas leków biologicznych lub operacji.
Spostrzeżenia
Taki przebieg choroby był u 160 (20%) spośród 780 nowo zdiagnozowanych pacjentów, czytamy w doniesieniu.
Czynniki predykcyjne oparte na badaniach obrazowych, w tym zwężenia/przetoki, lokalizacja choroby, jej zasięg i wynik MaRIAs, wykazały umiarkowaną zdolność do różnicowania przebiegu trudnego do leczenia (AUC 0,59).
Warto zauważyć, że zmienne kliniczne (wartości laboratoryjne, leczenie indukcyjne, wiek, płeć i zajęcie okolicy odbytu) miały w tym zakresie przewagę (AUC 0,68), a połączenie zmiennych z badań obrazowych i klinicznych przyniosło tylko marginalną poprawę (AUC 0,69).
Podsumowanie
Zdaniem autorów w odniesieniu do w dużych zbiorów danych zautomatyzowana ekstrakcja raportów z badań obrazowych oparta na przetwarzaniu języka naturalnego (NLP) i powiązana z danymi klinicznymi i laboratoryjnymi umożliwia skalowalne i standaryzowane określenie fenotypu choroby Leśniowskiego-Crohna.
Referencje:
- Atia O i wsp. Automated readings of imaging reports by natural language processing (NLP) supplemented by clinical data predict disease course in children and adults with Crohn’s disease: report from the epi-IIRN Scand J Gastroenterol. 2026 Jul 30:1-10. DOI: 10.1080/00365521.2026.2709610.
Fotografia: Michal Jarmoluk / Pixabay
Aby napisać do redakcji, zaloguj się.
