Holmusk annonce une nouvelle publication : des modèles de traitement du langage naturel basés sur l'apprentissage profond qui traduisent des notes psychiatriques non structurées en indicateurs quantifiables

La publication explique en détail comment les modèles de TLN de Holmusk peuvent transformer les notes psychiatriques non structurées des DME en un format structuré et quantifiable pour permettre d'effectuer des analyses et d'obtenir des renseignements approfondis.

SINGAPOUR et NEW YORK, 16 février 2021 /PRNewswire/ -- Holmusk, société mondiale de premier plan de la science des données et de la santé numérique, qui est en train de créer la plus grande plateforme de preuves empiriques (RWE) au monde pour les troubles de la santé comportementale, a annoncé aujourd'hui la publication de son article scientifique « Natural Language Processing-Based Quantification of the Mental State of Psychiatric Patients » (Quantification de l'état mental des patients psychiatriques basée sur le traitement du langage naturel), dans Computational Psychiatry (MIT Press). L'intégralité du texte se trouve ici : https://cpsyjournal.org/articles/10.1162/cpsy_a_00030/.

Avec cette publication, Holmusk a validé sa bibliothèque unique de modèles exclusifs de traitement du langage naturel (TLN) qui traduisent des notes psychiatriques non structurées en indicateurs quantifiables de l'état des patients (par exemple, symptômes, effets secondaires et facteurs de stress externes). Utilisés pour enrichir les données des systèmes de santé, ces indicateurs quantifiables permettent d'estimer la gravité des maladies des patients sur l'ensemble des troubles de la santé comportementale et de créer des trajectoires diachroniques de l'état des patients. En instaurant ces indicateurs quantifiables, les modèles de Holmusk génèrent pour la première fois des preuves empiriques solides sur la progression des maladies et l'efficacité des traitements des troubles psychiatriques. Holmusk utilisera les indicateurs objectifs de ces modèles pour soutenir les soins fondés sur des indicateurs et personnaliser la prestation de soins en matière de santé comportementale dans l'ensemble des systèmes de santé.

« Grâce aux étiquettes du TLN, nous pouvons générer des informations structurées sur les états mentaux des patients à partir de notes cliniques en texte libre et quantifier la gravité des maladies mentales sur la base de ces étiquettes en utilisant des algorithmes d'apprentissage profond. De plus, en extrayant des étiquettes psychiatriques importantes directement des notes cliniques, nous sommes en mesure de contourner le processus ardu d'anonymisation, ce qui offre des possibilités passionnantes d'appliquer des techniques d'analyse quantitatives à toutes les notes psychiatriques disponibles », a déclaré Sankha Mukherjee, scientifique des données senior chez Holmusk et auteur principal.

En créant cette bibliothèque, l'équipe des sciences des données (IA) chez Holmusk a tiré parti de son système de dossier médical électronique (DME) spécialisé dans les troubles de santé comportementale, MindLinc. Les modèles convertissent plus de 20 ans de notes de dossiers médicaux électroniques provenant de la base de données mondiale MindLinc de Holmusk en plus de 240 dimensions pertinentes au plan psychiatrique. Associées à l'apprentissage machine, ces dimensions apportent une plus grande précision dans la prise en charge et le traitement des maladies au quotidien.

« La compilation fiable et systématique des notes cliniques de Holmusk dans le but d'évaluer les résultats au niveau des patients, des médecins et des systèmes de santé est une avancée majeure pour permettre la mise en place d'un système d'apprentissage en matière de soins de santé. Grâce à cette compilation, les décisions prises et les résultats obtenus avec les patients précédents nous informent, sur la base de preuves empiriques, quant à la meilleure façon de soigner les futurs patients », a déclaré A. John Rush, MD, professeur émérite à la Duke-NUS Medical School, professeur adjoint de psychiatrie et de sciences du comportement à la Duke Medical School, et conseiller scientifique pour Holmusk.

Solides et extensibles, les modèles de TLN développés par Holmusk permettent d'extraire des informations à partir des données de DME non structurées recueillies dans le cadre de l'exercice clinique en santé comportementale, un processus auparavant long et manuel.

« Chez Holmusk, nous n'attendons pas de recueillir des données parfaites pour faire des analyses et en tirer des enseignements. Le fait de pouvoir analyser les informations riches et diverses contenues dans les notes cliniques dans un format structuré et quantifiable peut changer la donne pour la santé comportementale. Pour la première fois, notre approche nous permettra de véritablement classer la population de patients non seulement en fonction du diagnostic, mais aussi en fonction des groupes de symptômes et des niveaux de gravité qui peuvent être associés de manière appropriée aux médicaments, tant pour les essais cliniques que dans la pratique », a déclaré Joydeep Sarkar, analyste principal chez Holmusk.

Données sur les citations scientifiques : Mukherjee S.S., Yu J., Won Y., McClay M.J., Wang L, Rush A.J., Sarkar J. (2020). Natural Language Processing-Based Quantification of the Mental State of Psychiatric Patients. Computational Psychiatry, Volume 4, 76-106. https://doi.org/10.1162/cpsy_a_00030

À propos de Holmusk :

Holmusk a pour mission de transformer la vie des personnes atteintes de troubles de la santé comportementale et de maladies chroniques en faisant appel à la médecine fondée sur les preuves. Avec son siège à Singapour et une empreinte mondiale, Holmusk développe des solutions numériques pour faire progresser l'innovation, la recherche et les soins dans le domaine de la santé et est en train de créer la plus grande plateforme de preuves empiriques au monde pour les troubles de la santé mentale et les maladies chroniques. En 2020, Holmusk a levé 21,5 millions de dollars dans le cadre de son financement de série A dirigée par Optum Ventures et Health Catalyst Capital.

La plateforme analytique de Holmusk synthétise les données empiriques (RWD) avec des modèles exclusifs de progression des maladies afin de créer des données exploitables pour la recherche, l'innovation et la prestation de soins en santé comportementale. NeuroBlu, la plateforme de preuves empiriques de Holmusk, est alimentée par l'une des plus grandes bases de données diachroniques anonymisées en santé comportementale, avec des données de plus de 550 000 patients recueillies sur plus de 20 ans et au cours de plus de 20 millions de visites. Holmusk améliore continuellement sa base de données en collaborant avec des systèmes de santé dans le monde entier. De plus, Holmusk met au point des solutions de santé numérique qui améliorent la participation des patients, soutiennent la prise en charge des maladies par les patients eux-mêmes et tiennent compte des résultats rapportés par les patients pour orienter les décisions cliniques et les analyses. Pour plus d'informations, veuillez consulter le site www.holmusk.com