Un cadre d'IA standardise les données médicamenteuses pour l'analyse de la santé
En un coup d'œil
- Une étude évaluée par des pairs sur l'harmonisation des données médicamenteuses dans les DSE a été publiée en septembre 2026.
- Le cadre associe plusieurs identifiants de médicaments à des codes standardisés pour une utilisation par l'IA.
- Les analyses rétrospectives ont montré des taux de correspondance initiaux élevés mais ont nécessité des corrections substantielles.
Des recherches académiques récentes se sont concentrées sur l'amélioration de la cohérence des données médicamenteuses dans les dossiers de santé électroniques (DSE) pour soutenir l'analyse des soins gérés et les applications d'intelligence artificielle.
Une équipe du Département de pratique pharmaceutique et du Département d'ingénierie industrielle et des systèmes de l'Université de Buffalo a publié un article évalué par des pairs dans le Journal of Managed Care & Specialty Pharmacy en septembre 2026. Les auteurs, Haowen Hsu, Gabriel Gazetta, Chi-Hua Lu et David M Jacobs, ont décrit un cadre d'informatique conçu pour standardiser les données médicamenteuses provenant de diverses sources.
Le cadre intègre divers identifiants de médicaments, tels que les identifiants de synonymes de médicaments Multum, les codes de médicaments nationaux (NDC) et RxCUI, les convertissant en représentations standardisées au niveau des ingrédients (RxCUI [IN]) et de la classe pharmacologique (ATC). Ce processus vise à faciliter l'utilisation des données DSE dans les analyses pilotées par l'IA et les scénarios de soins gérés.
Dans une analyse rétrospective, le cadre a été appliqué à 214,080 dossiers de médicaments de sortie d'adultes âgés de 65 ans ou plus hospitalisés entre 2020 et 2024 au Buffalo General Medical Center. La correspondance initiale utilisant des passerelles déterministes a atteint 100 %, mais 30 % à 35 % des dossiers uniques nécessitaient des corrections de leurs attributions ATC.
Ce que montrent les chiffres
- 214,080 dossiers de médicaments de sortie ont été analysés de 2020 à 2024.
- Une correspondance initiale de 100 % a été atteinte, mais 30 à 35 % des dossiers nécessitaient des corrections ATC.
- Les méthodes de réconciliation basées sur les chaînes ont obtenu un taux de correspondance de 78,5 % pour RxCUI [IN] et de 75,5 % pour les codes ATC, avec 57,4 % des attributions nécessitant une correction.
Les méthodes de réconciliation basées sur les chaînes ont produit des taux de correspondance initiaux de 78,5 % pour RxCUI [IN] et de 75,5 % pour les codes ATC. Cependant, 57,4 % de ces attributions nécessitaient des corrections supplémentaires en raison de problèmes tels que des omissions de formulations de marque, des classifications lexicales erronées et des ambiguïtés taxonomiques.
Un travail connexe présenté à ISPOR 2026 a décrit une stratégie de cartographie stratifiée informée par l'ontologie utilisant RxNorm et ATC pour relever le défi de la réconciliation des terminologies médicamenteuses hétérogènes dans les données DSE du monde réel. Cette approche a été testée sur 29,123 dossiers de médicaments de patients, avec 63,9 % nécessitant des modifications, y compris des exclusions et des corrections de codes.
L'analyse ISPOR a détaillé la distribution des codes parmi les dossiers de médicaments : 62,2 % étaient codés comme Multum, 27,3 % comme NDC, 9,6 % comme RxNorm et 0,9 % comme inconnu. Parmi 5,806 dossiers codés Multum uniques, 3,712 nécessitaient des corrections, y compris des exclusions, des corrections RxNorm et des ajustements de codes ATC.
Ces résultats soulignent les étapes techniques nécessaires pour harmoniser les données médicamenteuses pour l'IA et l'analyse des soins gérés, ainsi que les défis posés par les systèmes de codage divers et la nécessité d'efforts continus de réconciliation des données.
* Cet article est basé sur des informations publiquement disponibles au moment de la rédaction.