Desarrollo de un marco para la extracción de entidades desidentificadas en registros de salud electrónicos japoneses utilizando BERT

Qué problema aborda

El uso de datos del mundo real en estudios farmacoepidemiológicos a menudo carece del contexto clínico que se encuentra en los registros de salud electrónicos en texto libre. Sin embargo, compartir estos relatos está limitado por requisitos de privacidad, y los enfoques convencionales de desidentificación pueden reducir la utilidad analítica y limitar la capacidad de auditoría.

Qué hicieron los autores

Los autores desarrollaron y evaluaron un marco que utiliza el procesamiento de lenguaje natural basado en BERT (Bidirectional Encoder Representations from Transformers) para extraer entidades estructuradas relacionadas con el cáncer de textos libres de registros de salud electrónicos japoneses. El marco también genera textos analíticos desidentificados que conservan la información contextual necesaria para auditorías posteriores, todo ello bajo las restricciones de privacidad.

Qué encontraron

El estudio analizó datos de 10,214 pacientes con neoplasias, de los cuales se obtuvieron notas de progreso vinculadas para 4,383 pacientes. Se logró que el 36.3% de los pacientes y el 30.7% de los documentos tuvieran al menos una mención recuperable de TNM (tumor-nódulo-metástasis) o de etapa. Las tasas de enmascaramiento variaron entre el 9.9% y el 15% en las principales categorías de cáncer. La auditoría manual confirmó la retención de las salidas relacionadas con TNM/etapa y no identificó ningún identificador directo residual en las narrativas desidentificadas.

Limitaciones

El texto disponible no detalla limitaciones específicas del estudio.

Lectura final

Este marco representa un avance significativo en la conciliación de la protección de la privacidad con la necesidad de reproducibilidad en la investigación basada en datos del mundo real. La capacidad de extraer información clínica valiosa mientras se cumplen las normativas de privacidad podría mejorar la calidad de los estudios farmacoepidemiológicos y facilitar el análisis de datos en el ámbito de la salud.