[論文レビュー] Developing a cardiovascular disease risk-factors annotated corpus of Chinese electronic medical records

Jia Su, Bin He+3 more|arXiv (Cornell University)|Nov 28, 2016

Biomedical Text Mining and Ontologies参考文献 30被引用数 4

ひとこと要約

本研究は、臨床医の知見に基づくガイドラインを用いて、600件の匿名化された中国語電子カルテ（CEMR）から心血管疾患（CVD）リスク要因に時間的属性および主張属性を付与した高信頼性のアノテート済みコーパスを構築した。このコーパスは、インターアノテーター間一致度のF1スコアが0.968に達し、将来の縦断的臨床データにおけるCVDリスク要因の監視・予測システムの開発を可能にした。

ABSTRACT

Objective The goal of this study was to build a corpus of cardiovascular disease (CVD) risk-factor annotations based on Chinese electronic medical records (CEMRs). This corpus is intended to be used to develop a risk-factor information extraction system that, in turn, can be applied as a foundation for the further study of the progress of risk-factors and CVD. Materials and Methods We designed a light-annotation-task to capture CVD-risk-factors with indicators, temporal attributes and assertions explicitly displayed in the records. The task included: 1) preparing data; 2) creating guidelines for capturing annotations (these were created with the help of clinicians); 3) proposing annotation method including building the guidelines draft, training the annotators and updating the guidelines, and corpus construction. Results The outcome of this study was a risk-factor-annotated corpus based on de-identified discharge summaries and progress notes from 600 patients. Built with the help of specialists, this corpus has an inter-annotator agreement (IAA) F1-measure of 0.968, indicating a high reliability. Discussion Our annotations included 12 CVD-risk-factors such as Hypertension and Diabetes. The annotations can be applied as a powerful tool to the management of these chronic diseases and the prediction of CVD. Conclusion Guidelines for capturing CVD-risk-factor annotations from CEMRs were proposed and an annotated corpus was established. The obtained document-level annotations can be applied in future studies to monitor risk-factors and CVD over the long term.

研究の動機と目的

• 中国語電子カルテ（CEMR）におけるCVDリスク要因抽出のための標準化されたアノテート済み臨床データの不足に対処すること。
• 時間的属性および主張（例：現在、過去、不存在）を含むCVDリスク要因を捉える信頼性の高いアノテーションガイドラインの開発。
• 実臨床のCEMRから得た大規模かつ匿名化されたCVDリスク要因アノテーションコーパスの構築。
• 時間経過に伴うリスク要因の正確な追跡を可能にすることで、CVD進行の縦断的研究を支援すること。
• 臨床テキストにおけるCVDリスク要因の抽出および監視を可能にする自動化システムの開発基盤を構築すること。

提案手法

• 12種の事前に定義されたCVDリスク要因（例：高血圧、糖尿病）を、明示的な兆候、時間的属性、主張状態を含めて抽出する軽量アノテーションタスクを設計。
• 定義、例、エッジケースを含む詳細なアノテーションガイドラインの作成のため、臨床医と共同作業。
• 一貫性を確保するため、ガイドラインの起草、アノテーターのトレーニング、ガイドラインの見直しを繰り返す反復的アノテーションプロセスを実装。
• 患者のプライバシーとデータの匿名化を確保しながら、600件の匿名化された退院報告書および経過記録からコーパスを構築。
• アノテーションの信頼性を評価するため、インターアノテーター間一致度（IAA）をF1測定値で計算。
• 最終的なコーパスを、臨床テキストにおけるCVDリスク要因抽出システムの開発を支援するために活用。

実験結果

リサーチクエスチョン

• RQ1 時間的属性および主張文脈（例：現在、過去、不存在）を伴う中国語電子カルテから、CVDリスク要因を信頼性高く抽出する方法は何か？
• RQ2 臨床NLPタスクにおいて、臨床医が支援するガイドラインを用いることで、どの程度のインターアノテーター間一致度が達成できるか？
• RQ3 多様な臨床ノートにおいて一貫したCVDリスク要因抽出を可能にする標準化されたアノテーションフレームワークを構築できるか？
• RQ4 アノテート済みコーパスは、電子健康記録におけるCVDリスク要因の縦断的監視にどの程度寄与できるか？
• RQ5 中国語臨床テキストにおけるCVDリスク要因のアノテーションにおける主な課題は何か。また、構造化されたガイドラインによってそれらの課題はどのように軽減できるか？

主な発見

• 本研究は、高血圧や糖尿病などの12種のCVDリスク要因をカバーする、600件の匿名化された中国語電子カルテからリスク要因アノテート済みコーパスを成功裏に構築した。
• コーパスは、高いインターアノテーター間一致度（IAA）のF1スコア0.968を達成し、アノテーションの信頼性と一貫性が確認された。
• 臨床医の知見に基づくアノテーションガイドラインは、臨床テキストにおけるリスク要因抽出の正確性と標準化を顕著に向上させた。
• 時間的属性および主張状態（例：現在、過去、不存在）の組み込みにより、抽出された情報の臨床的有用性が向上した。
• アノテート済みコーパスは、CVDリスク要因監視に特化したNLPシステムのトレーニングおよび評価の強固な基盤を提供する。
• このコーパスは、時間経過に伴うリスク要因の変化を追跡可能な長期的CVD進行研究に適している。