Rechercher
image du produit
American Journal of Opthalmology

S'abonner

Using Natural Language Processing to Identify Different Lens Pathology in Electronic Health Records - 16/05/24

Doi : 10.1016/j.ajo.2024.01.030 
Joshua D. Stein 1, 2, ⁎ , Yunshu Zhou 1, Chris A. Andrews 1, Judy E. Kim 3, Victoria Addis 4, Jill Bixler 1, Nathan Grove 5, Brian McMillan 6, Saleha Z. Munir 7, Suzann Pershing 8, 9, Jeffrey S. Schultz 10, Brian C. Stagg 11, Sophia Y. Wang 8, Fasika Woreta 12
on behalf of the

SOURCE Consortium⁎

  Members of the SOURCE Consortium and their site Principal Investigators include the following: Byers Eye Institute: Suzann Pershing, Sophia Y. Wang; Henry Ford Health System: Sejal Amin, Paul A. Edwards; Johns Hopkins University: Divya Srikumaran, Fasika Woreta; Montefiore Medical Center: Jeffrey S. Schultz, Anurag Shrivastava; Medical College of Wisconsin: Baseer Ahmad, Judy E. Kim; Northwestern University: Paul Bryar, Dustin French; Scheie Eye Institute: Brian L. Vanderbeek; University of Colorado: Anne M. Lynch; Jenna Patnaik; University of Maryland: Saleha Munir, Wuqaas Munir; University of Michigan: Joshua D. Stein; Lindsey DeLott; University of Utah: Brian C. Stagg, Barbara Wirostko; West Virginia University: Brian McMillian. Washington University: Arsham Sheybani. The SOURCE Data Center is located at the University of Michigan. The Chief Data Officer of SOURCE is Joshua Stein. The Lead Statistician of SOURCE is Chris Andrews. More information about SOURCE is available at www.sourcecollaborative.org/.

1 From the W.K. Kellogg Eye Center, Department of Ophthalmology and Visual Sciences, University of Michigan, Ann Arbor, Michigan, USA (J.D.S., Y.Z., C.A.A., J.B.) 
2 Department of Health Management and Policy, University of Michigan School of Public Health, Ann Arbor, Michigan, USA (J.D.S.) 
3 Department of Ophthalmology and Visual Sciences, Medical College of Wisconsin, Milwaukee, Wisconsin, USA (J.E.K.) 
4 Department of Ophthalmology, University of Pennsylvania, Philadelphia, Pennsylvania, USA (V.A.) 
5 Department of Ophthalmology, University of Colorado School of Medicine, Aurora, Colorado, USA (N.G.) 
6 Department of Ophthalmology and Visual Sciences, West Virginia University, Morgantown, West Virginia, USA (B.M.) 
7 Department of Ophthalmology and Visual Sciences, University of Maryland School of Medicine, Baltimore, Maryland, USA (S.Z.M.) 
8 Byers Eye Institute at Stanford, Department of Ophthalmology, Stanford University, Stanford, California, USA (S.P., S.Y.W.) 
9 VA Palo Alto Health Care System, Palo Alto, California, USA (S.P.) 
10 Department of Ophthalmology, Montefiore Medical Center, New York, New York, USA (J.S.S.) 
11 Department of Ophthalmology, University of Utah, Salt Lake City, Utah, USA (B.C.S.) 
12 Department of Ophthalmology, Johns Hopkins University School of Medicine, Baltimore, Maryland, USA (F.W.) 

⁎⁎Inquiries to Joshua D. Stein, University of Michigan, Department of Ophthalmology and Visual Sciences, W.K. Kellogg Eye Center, 1000 Wall Street, Ann Arbor, MI 48105University of MichiganDepartment of Ophthalmology and Visual Sciences, W.K. Kellogg Eye Center1000 Wall StreetAnn ArborMI48105

Résumé

PURPOSE

Nearly all published ophthalmology-related Big Data studies rely exclusively on International Classification of Diseases (ICD) billing codes to identify patients with particular ocular conditions. However, inaccurate or nonspecific codes may be used. We assessed whether natural language processing (NLP), as an alternative approach, could more accurately identify lens pathology.

DESIGN

Database study comparing the accuracy of NLP versus ICD billing codes to properly identify lens pathology.

METHODS

We developed an NLP algorithm capable of searching free-text lens exam data in the electronic health record (EHR) to identify the type(s) of cataract present, cataract density, presence of intraocular lenses, and other lens pathology. We applied our algorithm to 17.5 million lens exam records in the Sight Outcomes Research Collaborative (SOURCE) repository. We selected 4314 unique lens-exam entries and asked 11 clinicians to assess whether all pathology present in the entries had been correctly identified in the NLP algorithm output. The algorithm's sensitivity at accurately identifying lens pathology was compared with that of the ICD codes.

RESULTS

The NLP algorithm correctly identified all lens pathology present in 4104 of the 4314 lens-exam entries (95.1%). For less common lens pathology, algorithm findings were corroborated by reviewing clinicians for 100% of mentions of pseudoexfoliation material and 99.7% for phimosis, subluxation, and synechia. Sensitivity at identifying lens pathology was better for NLP (0.98 [0.96-0.99] than for billing codes (0.49 [0.46-0.53]).

CONCLUSIONS

Our NLP algorithm identifies and classifies lens abnormalities routinely documented by eye-care professionals with high accuracy. Such algorithms will help researchers to properly identify and classify ocular pathology, broadening the scope of feasible research using real-world data.

Le texte complet de cet article est disponible en PDF.

Plan


 Supplemental Material available at AJO.com.
 Presented at: the Association of Research in Vision and Ophthalmology, April 23, 2023, New Orleans, Louisiana; and American Ophthalmological Society, May 18, 2023, Asheville, North Carolina.


© 2024  Elsevier Inc. Tous droits réservés.
Ajouter à ma bibliothèque Retirer de ma bibliothèque Imprimer
Export

    Export citations

  • Fichier

    •

  • Contenu

    •

Vol 262

P. 153-160 - juin 2024 Retour au numéro
Article précédent Article précédent
  • Prediction of Visual Field Progression with Baseline and Longitudinal Structural Measurements Using Deep Learning
  • Vahid Mohammadzadeh, Sean Wu, Sajad Besharati, Tyler Davis, Arvind Vepa, Esteban Morales, Kiumars Edalati, Mahshad Rafiee, Arthur Martinyan, David Zhang, Fabien Scalzo, Joseph Caprioli, Kouros Nouri-Mahdavi
| Article suivant Article suivant
  • Incidence of Strabismus Post–Plaque Brachytherapy in Patients With Uveal Melanoma
  • Jordan J. Huang, Aqsa Saleem, Emily X. Liao, Matthew Larocque, Geetha Menon, Albert Murtha, Carlos Solarte, Ezekiel Weis

Bienvenue sur EM-consulte, la référence des professionnels de santé.
L’accès au texte intégral de cet article nécessite un abonnement.

Déjà abonné à cette revue ?

Elsevier s'engage à rendre ses eBooks accessibles et à se conformer aux lois applicables. Compte tenu de notre vaste bibliothèque de titres, il existe des cas où rendre un livre électronique entièrement accessible présente des défis uniques et l'inclusion de fonctionnalités complètes pourrait transformer sa nature au point de ne plus servir son objectif principal ou d'entraîner un fardeau disproportionné pour l'éditeur. Par conséquent, l'accessibilité de cet eBook peut être limitée. Voir plus

Accès rapides

Mon compte

Aide & support

Plateformes Elsevier Masson

Déclaration CNIL

EM-CONSULTE.COM est déclaré à la CNIL, déclaration n° 1286925.

En application de la loi nº78-17 du 6 janvier 1978 relative à l'informatique, aux fichiers et aux libertés, vous disposez des droits d'opposition (art.26 de la loi), d'accès (art.34 à 38 de la loi), et de rectification (art.36 de la loi) des données vous concernant. Ainsi, vous pouvez exiger que soient rectifiées, complétées, clarifiées, mises à jour ou effacées les informations vous concernant qui sont inexactes, incomplètes, équivoques, périmées ou dont la collecte ou l'utilisation ou la conservation est interdite.
Les informations personnelles concernant les visiteurs de notre site, y compris leur identité, sont confidentielles.
Le responsable du site s'engage sur l'honneur à respecter les conditions légales de confidentialité applicables en France et à ne pas divulguer ces informations à des tiers.

Tout le contenu de ce site: Copyright © 2026 Elsevier, ses concédants de licence et ses contributeurs. Tout les droits sont réservés, y compris ceux relatifs à l'exploration de textes et de données, a la formation en IA et aux technologies similaires. Pour tout contenu en libre accès, les conditions de licence Creative Commons s'appliquent.