Medical sentiment analysis

Les informations sur le sentiment médical ont été avancées pour prédire les risques de développement de maladies. L’objectif de ce projet est d’étudier les possibilités offertes par les modèles basés sur les transformeurs.

Fiche signalétique

  • Département responsable Technique et informatique
  • Institut(s) Institute for Patient-centered Digital Health (PCDH)
  • Organisation d'encouragement Autres
  • Durée (prévue) 01.08.2023 - 31.07.2024
  • Responsable du projet Prof. Dr. Kerstin Denecke
  • Direction du projet Prof. Dr. Kerstin Denecke
  • Équipe du projet Daniel Reichenpfader
  • Partenaire Hasler Stiftung
  • Mots-clés Intelligence artificielle, analyse de sentiment, prédiction, médecine

Situation

L’analyse de sentiment consiste à extraire des informations sur les opinions, les sentiments, voire les émotions exprimés par des auteurs à l’égard de certains sujets d’intérêt. Souvent, elle est directement associée à l’analyse de textes subjectifs tels que des avis de client-e-s ou des tweets, l’objectif étant d’étudier l’attitude d’un auteur ou d’une autrice à l’égard d’un produit ou d’un sujet. Mais l’analyse des sentiments a également gagné en intérêt dans le domaine de la santé, avec de multiples applications à la clé. Les méthodes d’analyse de sentiment ont été appliquées à des données de réseaux sociaux (médicaux) pour aider les chercheurs et chercheuses à en savoir plus sur les maladies, les perceptions et les besoins des patient-e-s et de leurs soignant-e-s. Par ailleurs, les récits cliniques sont de plus en plus utilisés comme sujet d’analyse par les méthodes d’analyse de sentiment dans le domaine médical. Reconnaissant que les notes cliniques et autres documents textuels libres faisant partie du dossier médical électronique peuvent contenir des informations précieuses, les données relatives au sentiment médical ont été utilisées pour prédire les risques de développer des maladies mentales, pour recueillir les résultats rapportés par les patient-e-s et pour la pharmacovigilance.

Approche

On utilise de plus en plus fréquemment les algorithmes d’apprentissage en profondeur pour l’analyse de sentiment dans d’autres domaines (par exemple, le mécanisme d’attention, les modèles basés sur les transformeurs et la « gated multiplication » (Gated CNN, CNN = Convolutional Neural Networks, soit réseaux de neurones convolutifs). Leur utilisation dans l’analyse de sentiment en général, soit en dehors du contexte médical, est très répandue. Toutefois, un récent examen du champ d’application mené par le requérant a montré que ces nouvelles méthodes n’ont pas encore été testées à l’appui de récits cliniques. C’est sans doute la raison pour laquelle la précision des méthodes de pointe d’analyse de sentiment rapportées pour les récits cliniques est limitée, en comparaison avec les valeurs de précision d’autres domaines. En outre, il a été reconnu que les solutions n’atteignaient pas encore le niveau de maturité technologique (Technology Readiness Level, TRL) requis pour une application dans un environnement opérationnel (TRL de 7 en général). Ce projet contribuera à faire passer l’analyse de sentiment médical des récits cliniques au niveau de TRL suivant en développant des algorithmes basés sur des avancées technologiques récentes et en testent des cas concrets d’utilisation de la prédiction.

Résultat

Le projet permettra d’obtenir des informations approfondies sur l’applicabilité et les performances de ces technologies. Les défis spécifiques que nous devons relever comprennent les petits ensembles de données et les particularités du contenu et de la langue des récits cliniques. Une fois que nous aurons démontré l’utilité des modèles basés sur les transformeurs, nous prévoyons de mettre en place un projet de suivi visant une application réelle.

Ce projet contribue aux objectifs de développement durable suivants

  • 3: Accès à la santé