自然言語処理

Natural Language Processing in Surgery(手術における自然言語処理)：Ann Surgery vol273,Nubr5,may2021

そもそもNtural language Processingって言葉を知りませんでしたが、機械で人間の言葉を理解し、内容を抽出することみたいです。最初これをわからずに読んだので大変でした。

Abstract:　自然言語処理の応用と有益な可能性についてシステマチックに評価することを目的に、メタ解析とシステマチックレビューをおこなった。

この問題の背景は拡大する電子健康記録（EHRs）の実装が大きな患者のデータソースを作っている、これまでのデータ収集法（請求コードやEHRsの自由記述の手作業レビューのような）は、労働集約性の高い、コストの高い、主観的、バイアスのかかりやすいものである。

Pubmed, MEDLINE, Web of Science Embase の全ての2000年以降に発表された論文を周術期アウトカを評価するために自然言語処理モデルを使ったものを集めた。自然言語処理の評価指標システムはプールされた解析とメタアナリシスを使って評価された。アウトカムにおける結果とリスクバイアスを評価するために量的合成は実行された。

Result：２９の論文が含まれた。１５以上は2018年以降に発表された。最も有名なアウトカムは自然言語処理を用いて術後合併症が識別された。伝統的非自然言語処理モデルと比べると、自然言語処理モデルは高い感度で術後合併症を識別した。（0.92vs0.58, P<0.001）特殊性は0.99to0.98でそれぞれ比較可能である。指標比率の可能性の要点の使用は、伝統的非NPLモデルはアウトカムと診断の書類の確定に対しての臨床的実用性を持っている。一方、NLPモデルはアウトカムと診断の書類の確定と除外の両方に対して確実に利用されている。

結論：手術アウトカムの範囲を抽出するためのNLPの使用、特に、術後合併症は規律性と臨床的アウトカム調査の範囲を加速している。NLPと伝統的非NLPは同様に実行測定に似たアプローチを行う、しかし、NLPは手術アウトカムの書類のおいて優れている。

せっかくなので細かく見てみます。

方法１検索方針、２的確基準、３データ抽出と関心のある結果、４エビデンスとリスクバイアスの質、５統計解析の量

１：検索は色んな論文データベースでやったます。（省略）２：NLPに関して英語or英翻訳のもので2000年以降のもの。レビューなどは除去し、手術に関連してないものは除去された。複数のNLPについて書かれている場合は最も適切な方だけを採用した。それは最もよいNLPモデルを最も良い非NLPモデルと比較するためであった。３省略、４:省略、５、省略

結果１研究目的とデータソース、２臨床集団と患者情報、３NLPを用いた結果の識別、４NLPツールと評価指標、５他の方法と比べたNLPのパフォーマンス比較、６質とリスクバイアスの適応

789の論文と１つのデータベース以外からidentifiedされました。重複を除くと363が残り、除外して量的統合、質的統合を行うと11が残った。

整形外科が最も報告が多く、そのほか合併症についての記載が多かった。NLPのツールの特定されたうち、MedTagger、WEKA機械学習ツールキットが使用されていた。NLP結果の識別（省略）。質と偏りとリスク（省略）

議論１エビデンスの要約、２NLPの欠点、３研究におけるNLPの優位性、４この研究の限界

１：省略

２：欠点はNLPシステムの最小の関する必要性がない。最小限のエビデンスに基づいた人間のタスクはよく観察者間の合意に基づいている。EHRシステムに適応するこてが難しく、地理的に異なる地域、システムで同じ概念を表すのに異なる単語やフレーズを使用する可能性がるため、キー言語ライブラリーが一般的ではないこと。NLPがAIの１分野で比較的新しい領域のため、共同作業なしに外科研究に応用するには限界がる。

３：アウトカム研究の効率性に対しての具体的な内容について。。。（省略）

４：異質性と選択バイアスがこの研究のリミテーション。

へーって内容ですよね。NLP自体に馴染みがないのでイメージしにくい内容でした。要するに今後AI的な技術であるNLPが外科における合併症の分析などを助ける技術になるという内容のメタ解析とシステマティックレビューでした。