Elektroniczna dokumentacja medyczna zawiera ogromne ilości informacji, które do tej pory pozostawały trudne do wykorzystania w badaniach naukowych. Szczególnie dotyczy to swobodnych notatek klinicznych tworzonych przez lekarzy podczas codziennej opieki nad pacjentem. Naukowcy z Uniwersytetu w Tartu pokazali jednak, że nowoczesne duże modele językowe (LLM) potrafią z bardzo wysoką skutecznością analizować takie zapisy i identyfikować rzeczywiste powody przerywania farmakoterapii. Wyniki badania mogą otworzyć nowy rozdział w analizie danych klinicznych oraz wspierać rozwój medycyny opartej na danych i sztucznej inteligencji.
Z tego artykułu dowiesz się…
- Jak duże modele językowe (LLM) analizują notatki lekarzy i pomagają ustalać przyczyny przerywania leczenia przez pacjentów,
- Dlaczego elektroniczna dokumentacja medyczna zawiera znacznie więcej informacji niż recepty czy wyniki badań,
- Jakie wyniki osiągnęli naukowcy z Uniwersytetu w Tartu oraz z jaką dokładnością AI identyfikowała przyczyny odstawienia leków,
- W jaki sposób wykorzystanie modeli językowych może usprawnić badania kliniczne i wspierać podejmowanie decyzji w ochronie zdrowia.
Dane z recept nie mówią wszystkiego
W wielu analizach epidemiologicznych badacze dysponują informacjami o wystawionych receptach i realizacji leków przez pacjentów. Dane te pozwalają stwierdzić, że leczenie zostało przerwane, jednak nie odpowiadają na kluczowe pytanie – dlaczego do tego doszło. Zespół z Grupy Badawczej Informatyki Zdrowotnej działającej przy Instytucie Informatyki Uniwersytetu w Tartu postanowił wykorzystać potencjał dużych modeli językowych do analizy informacji zapisanych w elektronicznych notatkach lekarzy.
Badacze połączyli dane dotyczące recept z reprezentatywnej, obejmującej 10% populacji Estonii próby z lat 2012–2019 z dokumentacją kliniczną zawierającą opisy wizyt lekarskich. Jak wyjaśnia autor badania:
Dane dotyczące recept pokazują nam, że lek nie został już zakupiony, ale powód jest często zapisywany w notatkach lekarskich. Do tej pory informacje te można było wykorzystać jedynie w bardzo ograniczonym zakresie, ponieważ ręczne przeglądanie dokumentacji medycznej jest niezwykle czasochłonne – powiedział Hendrik Šuvalov, młodszy pracownik naukowy w dziedzinie informatyki medycznej na Uniwersytecie w Tartu.
AI przeanalizowała tysiące notatek klinicznych
Pierwszym etapem projektu było zidentyfikowanie pacjentów, którzy nie wykupili przepisanego leku przez okres co najmniej jednego roku. Następnie badacze wykorzystali duże modele językowe do automatycznego wyszukiwania w dokumentacji medycznej informacji świadczących o zakończeniu terapii. Algorytmy analizowały zarówno sam fakt odstawienia leku, jak i próbowały określić, czy decyzję podjął lekarz, czy pacjent.
Większość analiz wykonano przy użyciu modelu Llama 3.1-70B, który działał lokalnie na bezpiecznej infrastrukturze Uniwersytetu w Tartu. Model GPT-4o wykorzystano jedynie do analizy wcześniej zweryfikowanych i pozbawionych danych identyfikujących fragmentów dokumentacji. Pozwoliło to zachować wysoki poziom bezpieczeństwa danych medycznych przy jednoczesnym porównaniu możliwości różnych modeli językowych.
Dokładność modeli językowych przekroczyła 90%
Uzyskane wyniki okazały się bardzo wysokie. Eksperci medyczni potwierdzili, że model działający lokalnie osiągnął:
- 93–98% dokładności podczas identyfikowania fragmentów wskazujących na odstawienie leku,
- 95–96% dokładności przy określaniu przyczyn zakończenia leczenia.
Oznacza to, że modele językowe mogą skutecznie przekształcać nieustrukturyzowane notatki kliniczne w uporządkowane dane gotowe do dalszych analiz epidemiologicznych i farmakoepidemiologicznych.
Dlaczego pacjenci przerywali leczenie?
Badanie objęło analizę terapii statynami oraz lekami przeciwcukrzycowymi. Najczęściej identyfikowaną przyczyną odstawienia obu grup leków były działania niepożądane. W przypadku statyn odpowiadały one za około 70% udokumentowanych przypadków zakończenia leczenia.
Natomiast wśród leków przeciwcukrzycowych działania niepożądane stanowiły blisko 45% wszystkich zidentyfikowanych powodów. Jednocześnie naukowcy zauważyli, że pacjenci leczeni z powodu cukrzycy znacznie częściej przerywali terapię z powodu:
- niewystarczającej skuteczności leczenia,
- przeciwwskazań do dalszego stosowania leku.
Tak szczegółowe informacje są niezwykle trudne do uzyskania wyłącznie na podstawie danych refundacyjnych lub baz recept.
Notatki lekarzy zawierają cenne informacje dla nauki
Autorzy badania podkreślają, że dokumentacja kliniczna zawiera znacznie więcej informacji niż rozpoznania, wyniki badań laboratoryjnych czy dane dotyczące ordynowanych leków. Jak podkreśla Hendrik Šuvalov:
Dane medyczne dają również wgląd w to, jak leczenie faktycznie przebiega w codziennej opiece klinicznej. Doświadczenia pacjentów, skutki uboczne i powody zmiany leczenia często trafiają do notatek lekarzy, ale nie są wykorzystywane w konwencjonalnych analizach danych – powiedział Šuvalov.
To właśnie swobodny tekst tworzony przez lekarzy może zawierać informacje o problemach terapeutycznych, tolerancji leczenia czy preferencjach pacjentów, których nie da się odczytać z klasycznych baz danych.
AI może zmienić sposób prowadzenia badań klinicznych
Największą wartością przedstawionego projektu nie jest jedynie wysoka skuteczność modeli językowych, ale przede wszystkim opracowanie metody umożliwiającej automatyczną analizę nieustrukturyzowanej dokumentacji medycznej. Dotychczas ogromna część wiedzy zawartej w elektronicznych historiach choroby pozostawała praktycznie niewykorzystana z powodu konieczności ręcznego przeglądania dokumentów. Zastosowanie dużych modeli językowych pozwala zamienić swobodny tekst na dane możliwe do analiz statystycznych i epidemiologicznych. W praktyce może to wspierać:
- ocenę skuteczności terapii w warunkach rzeczywistej praktyki klinicznej,
- identyfikację działań niepożądanych,
- monitorowanie przestrzegania zaleceń terapeutycznych,
- projektowanie nowych strategii leczenia,
- podejmowanie decyzji w polityce zdrowotnej na podstawie rzeczywistych danych klinicznych.
Wnioski mogą wykraczać poza diabetologię i kardiologię
Choć badanie koncentrowało się na lekach przeciwcukrzycowych oraz statynach, przedstawiona metodologia może znaleźć zastosowanie również w wielu innych dziedzinach medycyny. Automatyczna analiza notatek lekarzy może wspierać badania dotyczące onkologii, neurologii, psychiatrii czy chorób rzadkich, wszędzie tam, gdzie kluczowe informacje znajdują się w opisach klinicznych, a nie w ustrukturyzowanych bazach danych.
Wraz z rozwojem lokalnie uruchamianych modeli językowych oraz rosnącym znaczeniem ochrony danych osobowych podobne rozwiązania mogą stać się ważnym elementem nowoczesnych systemów analityki medycznej.
Główne wnioski
- Naukowcy z Uniwersytetu w Tartu wykorzystali modele językowe do analizy elektronicznych notatek lekarzy, łącząc je z danymi dotyczącymi recept pochodzącymi z reprezentatywnej próby 10% populacji Estonii z lat 2012–2019.
- Model Llama 3.1-70B osiągnął 93–98% dokładności w wykrywaniu informacji o odstawieniu leków oraz 95–96% skuteczności w identyfikowaniu przyczyn przerwania terapii, co potwierdzili eksperci medyczni.
- Najczęstszą przyczyną przerywania leczenia były działania niepożądane – odpowiadały za około 70% udokumentowanych przypadków odstawienia statyn i blisko 45% przypadków zakończenia terapii lekami przeciwcukrzycowymi.
- Badanie pokazuje, że analiza swobodnych notatek klinicznych z wykorzystaniem AI może dostarczyć cennych danych o rzeczywistym przebiegu leczenia, wspierając badania naukowe, farmakoepidemiologię oraz podejmowanie decyzji w polityce zdrowotnej.
Źródło:
- https://cs.ut.ee/en/news/language-models-read-doctors-notes-reveal-why-patients-discontinue-medication
- https://www.jmir.org/2026/1/e86183
