在西班牙将临床自然语言处理应用于肺癌研究：一种基于术语的疾病面板方法☆

《ESMO Real World Data and Digital Oncology》：Applying clinical natural language processing to lung cancer in Spain: a terminology-based panel approach☆

　　

研究人员提出了一种新颖的方法学框架，用于开发和验证基于术语的疾病面板（Disease Panel），通过在西班牙队列中应用临床自然语言处理（clinical natural language processing, cNLP）于电子健康记录（electronic health records, EHRs），以识别和表征转移性非小细胞肺癌（metastatic non-small-cell lung cancer, mNSCLC）患者。该mNSCLC疾病面板由标准化词汇表（包括医学系统命名法—临床术语（Systematized Nomenclature of Medicine–Clinical Terms, SNOMED CT）和解剖治疗化学分类系统（Anatomical Therapeutic Chemical, ATC））构建，并通过精选的替代表达（如同义词、首字母缩略词和缩写）进行丰富。术语按临床相关性组织，并通过临床专家注释进行细化。研究人员使用EHRead?（Medsavana S.L., Madrid, Spain）这一cNLP流水线，从西班牙EHRs中提取疾病面板中的临床概念。性能通过临床专家对精确率（precision）、召回率（recall）和F1分数的评估进行验证。疾病面板包含268个术语（平均替代表达数为8.4，范围1-41），其中125个（46.6%）为人口统计学和临床特征，115个（42.9%）为治疗，28个（10.5%）为结局。所有术语的平均±标准差（standard deviation, SD）精确率为0.97 ± 0.04，其中特征为0.98 ± 0.04，治疗为0.97 ± 0.04，结局为0.96 ± 0.06。对于关键术语，平均±SD精确率、召回率和F1分数分别为0.94 ± 0.05、0.91 ± 0.08和0.92 ± 0.05。这是首个专门针对mNSCLC设计并集成到cNLP流水线的经过验证的基于术语的疾病面板。它能以优异的提取性能可靠识别关键临床特征，支持可扩展的真实世界证据（real-world evidence, RWE）生成。该方法为肿瘤学研究中的人工图表审查或国际疾病分类（International Classification of Diseases, ICD）数据/理赔数据提供了稳健的替代方案。

该研究发表于《ESMO Real World Data and Digital Oncology》。研究背景在于肿瘤学电子健康记录（electronic health records, EHRs）具有高度的临床复杂性和多学科交叉特性，关键信息往往埋藏在非结构化的自由文本叙述中，如肿瘤分期、病理诊断、生物标志物、治疗反应及疾病进展等。非小细胞肺癌（non-small-cell lung cancer, NSCLC）占肺癌病例的80%至85%，且多数患者确诊时已处于晚期，预后较差，存在显著的证据缺口。传统的数据提取方法如人工图表审查耗时耗力且缺乏可重复性，而依赖国际疾病分类（International Classification of Diseases, ICD）编码或理赔数据则遗漏了关键的临床细节，无法完全捕捉肿瘤诊疗的复杂性。临床自然语言处理（clinical natural language processing, cNLP）虽能大规模提取非结构化数据，但标准化的医学术语体系如SNOMED CT（Systematized Nomenclature of Medicine–Clinical Terms）和ATC（Anatomical Therapeutic Chemical）分类系统未能充分考虑临床文档固有的语言变异性，缺乏对肿瘤分期、分子生物标志物等实体的细粒度表示。因此，亟需专家驱动的、肿瘤特异性的术语扩展方法来支持深度表型和真实世界证据（real-world evidence, RWE）生成。为此，研究人员以转移性非小细胞肺癌（metastatic non-small-cell lung cancer, mNSCLC）为用例，开发并验证了一种基于术语的疾病面板（Disease Panel）方法学框架，将其集成于cNLP流水线中以识别和表征西班牙医疗环境下的mNSCLC患者，评估其在提取关键临床概念上的性能。结论表明，这是首个专门针对mNSCLC设计并集成于cNLP流水线的经验证术语疾病面板，能以优异的提取性能可靠识别关键临床特征，支持可扩展的RWE生成，为肿瘤学研究提供了超越人工审查或ICD数据的稳健替代方案。

作者开展研究用到的主要关键技术方法如下：数据来源于西班牙医院的去标识化EHRs，筛选时间为2015年1月至2024年11月，对象为肿瘤科成年患者且记录中包含NSCLC或肺癌及转移提及。采用EHRead?技术的命名实体识别与链接（Named Entity Recognition and Named Entity Linking, NER-NEL）模块检测自由文本中的临床术语并映射至标准化术语。疾病面板（Disease Panel）初始通过文献回顾与频率分析构建，基于SNOMED CT和ATC并加入专家策展的替代表达，随后通过结构化标注项目及肿瘤学专家独立贡献进行术语丰富与更新。性能评估采用智能语言学语料提取（Smart Linguistic Corpus Extraction, SLiCE）采样，通过分离的金标准注释计算精确率（precision）、召回率（recall）和F1分数。

研究结果部分保留原文小标题并总结如下：

Disease panel design（疾病面板设计）：研究人员构建的mNSCLC疾病面板共含328个术语，其中22个为定义队列的关键术语，246个为重要表征术语，60个因不符合注释标准被排除。经肿瘤专家丰富后，最终268个术语进入cNLP性能评估，平均每个术语含8.4个替代表达（范围1-41）。术语分布为临床特征125个（46.6%），治疗115个（42.9%），结局28个（10.5%）。专家建议采纳率达73.6%，主要完善了组织学、遗传标记及毒性相关表达。

Disease panel enrichment（疾病面板富集）：数据源筛查含131,460,711份EHRs对应3,804,636名患者，经时序、成人、肿瘤科及关键词过滤后得83,716份EHRs用于富集。其中9,966份记录基于SLiCE参与术语富集，15,965句代表性句子用于268项术语精确率计算，4,111份全文记录用于22项关键术语的综合指标评估。

cNLP performance evaluation（cNLP性能评估）：268个术语的平均±标准差（standard deviation, SD）精确率为0.97 ± 0.04，各类别均超0.8，其中临床特征0.98 ± 0.04，治疗0.97 ± 0.04，结局0.96 ± 0.06。22个关键术语的平均±SD精确率、召回率、F1为0.94 ± 0.05、0.91 ± 0.08、0.92 ± 0.05，所有关键术语F1均超0.8。具体如肺腺癌（Adenocarcinoma of lung）F1为0.93，间变性淋巴瘤激酶（Anaplastic lymphoma kinase）F1达0.99，Datopotamab deruxtecan等部分治疗药物F1为1.00。

讨论部分总结：研究人员讨论指出，该方法学框架通过专家验证的术语疾病面板解决了自动化EHR提取中的数据异质性与术语不一致问题，提供高精度的cNLP数据提取，可扩展替代人工图表审查，减轻临床负担并促进跨中心数据同质化。相比通用自然语言处理（natural language processing, NLP），结合疾病面板的cNLP专为肿瘤叙事复杂性设计，对齐SNOMED CT与ATC国际标准增强互操作性。与既往肺癌NLP研究（如Ansoborlo等精度0.68-0.87）相比，本研究验证面板指标更优。系统化评估与迭代验证增强了命名实体识别与链接（NER-NEL）模型可靠性，支持复杂队列构建与深度表型分析。该方法具透明性与可重复性，超越黑盒模型。虽限于西班牙EHRs及未评估属性提取模型，且依赖EHR记录完整性，但框架具备跨病种与场景的扩展潜力。未来需整合时间元素进行患者轨迹重构及上下文消歧与后处理。

结论部分翻译：研究人员的成果证明了开发并验证集成于cNLP流水线的mNSCLC基于术语的疾病面板的可行性与价值。该方法结合专家驱动的术语细化与系统验证，解决了既往NLP应用缺乏标准化与可重复性的局限，能从非结构化EHRs中准确可解释地提取临床相关数据。疾病面板在广泛临床术语上表现出高性能，支持其识别与分类疾病相关信息的稳健性与可靠性。相较人工收集，该方法减少人力需求并提升跨站点一致性，促进更高效同质化的真实世界数据（real-world data, RWD）提取。尽管本验证聚焦术语级提取，该方法学为下游RWD/RWE应用奠定基础，有助于构建可审计标准化的数据提取流程以确保数据科学有效性，并潜在支持符合新兴监管标准的监管级合规。

A. Ospina-Serrano|A. Azkárate|S. Ramírez-Peinado|A. Rashid|H.-K. Vollan|S. Jones|S. Menke|R. Martín|F. González|M. Posso|M. Taberna

Department of Medical Oncology, Hospital Universitario Puerta de Hierro-Majadahonda, Madrid, Spain