[論文レビュー] Biomedical term normalization of EHRs with UMLS

Naiara Pérez, Montse Cuadros+1 more|arXiv (Cornell University)|Feb 8, 2018

Biomedical Text Mining and Ontologies参考文献 15被引用数 3

ひとこと要約

この論文は、UMLSメタテーザリスの使用により、スペイン語電子健康記録（EHR）における生物医学用語の正規化のためのマルチリンガル・クロスリンガルプロトタイプを提示する。インデキシングにはApache Lucene、NLPにはIXAパイプライン、語の意味の解消にはUKBを活用し、2つの並列コーパスにおいてMetaMapと中程度の一致（kappa ~0.6）を達成した。また、インタラクティブな概念探索を可能にするWebベースのデモを含む。

ABSTRACT

This paper presents a novel prototype for biomedical term normalization of electronic health record excerpts with the Unified Medical Language System (UMLS) Metathesaurus. Despite being multilingual and cross-lingual by design, we first focus on processing clinical text in Spanish because there is no existing tool for this language and for this specific purpose. The tool is based on Apache Lucene to index the Metathesaurus and generate mapping candidates from input text. It uses the IXA pipeline for basic language processing and resolves ambiguities with the UKB toolkit. It has been evaluated by measuring its agreement with MetaMap in two English-Spanish parallel corpora. In addition, we present a web-based interface for the tool.

研究の動機と目的

• UMLSを用いたスペイン語臨床テキストにおける生物医学用語正規化のための既存ツールの不足に対処すること。
• 臨床用語をUMLS概念にマッピングするマルチリンガル・クロスリンガルパイプラインの開発。
• 平行英語・スペイン語EHRコーパス上で、システムのパフォーマンスをMetaMapと比較して評価すること。
• 臨床医および研究者がUMLSマッピングをインタラクティブに探索できるアクセス可能なWebインターフェースの提供。
• メタテーザリスに存在しない語彙的多様性および省略語の欠落による概念カバレッジの制限を特定すること。

提案手法

• EHRテキストスパンからのマッピング候補の高速取得を可能にするために、Apache Luceneを用いてUMLSメタテーザリスをインデキシングする。
• スペイン語臨床テキストにおけるトークン化、品詞タグ付け、固有表現認識にIXAパイプラインを用いる。
• 語の意味の解消を実現するため、UKBツールキットを用いて臨床用語の語義の曖昧さを解消する。
• ファジーや正確な文字列マッチングを用いて、テキストスパンをインデキシングされたUMLS概念と照合することで、候補マッピングを生成する。
• Angular2を用いたWebベースのインターフェースを実装し、意味的タイプ別に色分けされた注釈付き用語を表示し、UMLS APIを介して概念の詳細を提供する。
• UMLS意味的タイプで結果をフィルタリングし、概念の階層（上位概念／下位概念）をナビゲート可能にする。

実験結果

リサーチクエスチョン

• RQ1 スペイン語EHRにおいて、UMLSベースの正規化パイプラインは、この言語用に特化したツールが存在しない状況でもどの程度の性能を示せるか？
• RQ2 成熟した英語用語正規化ツールであるMetaMapと比較して、このシステムのパフォーマンスはどの程度一致するか？
• RQ3 Luceneインデキシング、IXA NLP、UKB WSDの組み合わせは、臨床テキストにおける語彙的曖昧さと用語の変異をどの程度効果的に処理できるか？
• RQ4 システムの概念マッピングにおける主な偽陰性の原因は何であり、全体の再現率にどのように影響するか？
• RQ5 Webベースのインターフェースは、臨床テキストにおけるUMLSマッピングのインタラクティブな探索を効果的に支援できるか？

主な発見

• 2つの並列英語・スペイン語EHRコーパスにおいて、システムはMetaMapと中程度の一致を示し、報告されたkappa値は約0.6であった。
• パイプラインの最良な設定では、評価データのサブセットで精度が0.71、再現率が0.65に達した。
• 偽陰性の主な原因は、メタテーザリスにカバーされていないスペルミス、非標準的省略語、および語形変化の語彙的多様性であった。
• フレーズベースのスパン検出エラーが、特に下位のNLPコンponentが関連する名詞句を特定できなかった場合に、用語の注釈漏れを引き起こした。
• Webベースのデモは、意味的タイプのフィルタリング、概念の詳細表示、階層的関係（例：「アスペルギルス」の下位概念）を介したナビゲーションを可能にし、ユーザーがUMLS概念を効果的に探索できるようにした。
• このシステムはスペイン語EHR正規化の実現可能性を示したが、用語の変異への対応強化と省略語カバレッジの拡大の必要性が浮き彫りになった。