Extracción Automatizada de Información sobre Grado, Etapa y Calidad de Informes Patológicos de Resección Transuretral de Tumores de Vejiga Usando Procesamiento de Lenguaje Natural

PROPÓSITO: El cáncer de vejiga se diagnostica y clasifica inicialmente con una resección transuretral de tumor vesical (TURBT). La supervivencia del paciente depende de una muestra adecuada de las capas de la vejiga, pero los informes patológicos se dictan como texto libre, lo que dificulta la extracción de datos a gran escala para la mejora de la calidad. Buscamos automatizar la extracción de información sobre etapa, grado y calidad de los informes patológicos de TURBT utilizando procesamiento de lenguaje natural (NLP). MÉTODOS: Se identificaron retrospectivamente a los pacientes que se sometieron a TURBT utilizando el Almacén de Datos Empresarial de Northwestern. Luego se creó un algoritmo de NLP para extraer información de los informes patológicos en texto libre y se mejoró iterativamente utilizando un conjunto de entrenamiento de TURBT revisados manualmente. La precisión de NLP se validó utilizando otro conjunto de TURBT revisados manualmente, y se calculó la fiabilidad utilizando el κ de Cohen. RESULTADOS: De 3,042 TURBT identificados de 2006 a 2016, 39% fueron clasificados como benignos, 35% como Ta, 11% como T1, 4% como T2, y 10% como carcinoma in situ aislado. De 500 TURBT revisados manualmente seleccionados al azar, NLP clasificó correctamente el estadio en 88% de las muestras (κ = 0.82; 95% CI, 0.78 a 0.86). De 272 tumores T1 revisados manualmente, NLP clasificó correctamente el grado en 100% de los tumores (κ = 1), clasificó correctamente si se reportó muscularis propria por el patólogo en 98% de los tumores (κ = 0.81; 95% CI, 0.62 a 0.99), y clasificó correctamente si muscularis propria estaba presente o ausente en la muestra de resección en 82% de los tumores (κ = 0.62; 95% CI, 0.55 a 0.73). El análisis de discrepancias reveló que las notas del patólogo y las muestras de resección más profundas eran razones frecuentes para las clasificaciones erróneas de NLP. CONCLUSIÓN: Desarrollamos un algoritmo de NLP que demuestra un alto grado de fiabilidad en la extracción de etapa, grado y presencia de muscularis propria de los informes patológicos de TURBT. Las iteraciones futuras pueden seguir mejorando el rendimiento, pero la extracción automatizada de información oncológica es prometedora para mejorar la calidad y ayudar a los médicos en la entrega de atención.