Extraction d'informations reproductible à partir de textes cliniques français : application aux pathologies chroniques

Reproducible information extraction from French clinical texts : application to chronic diseases

• Auteur / Autrice : Thibaut Fabacher
• Direction : Adrien Coulet, Aurélie Névéol
• Type : Thèse de doctorat
• Discipline(s) : Informatique
• Date : Soutenance le 10/06/2025
• Etablissement(s) : Université Paris Cité
• Ecole(s) doctorale(s) : École doctorale Sciences mathématiques de Paris centre (Paris ; 2000-....)
• Partenaire(s) de recherche : Laboratoire : Health data- and model- driven approaches for knowledge acquisition (Paris ; 2025-....)
• Jury : Président / Présidente : Jérôme Avouac
• Jury : Examinateurs / Examinatrices : Claire Nédellec, Solen Quiniou
• Jury : Rapporteurs / Rapporteuses : Marc Cuggia, Natalia Grabar
• DOI : 10.70675/d47b7ea1z817fz4bbcz902bzc38aa6eed42e

Mots clés

Mots clés contrôlés

Systèmes informatisés de dossiers médicaux

Dossiers médicaux électroniques

Maladies chroniques

Exploration de données

Entrepôts de données

Apprentissage profond

Traitement automatique du langage naturel

Mots clés libres

Dossiers patients informatisés

Traitement automatique des langues

Apprentissage profond

Entrepôt de données de santé

Utilisation secondaire de données de santé

Maladie chroniques

Textes cliniques en français

Extraction d'information

Reproductibilité

Electronic health records

Natural language processing

Deep learning

Health data warehouse

Secondary use of health data

Chronic diseases

Clinical texts in French

Information extraction

Reproducibility

Résumé

L'extraction d'informations cliniques à partir des dossiers patients informatisés représente un enjeu pour la réutilisation des données de santé. La majorité des informations étant renseignées sous forme de texte libre, le traitement automatique des langues devient indispensable pour valoriser ces données. Cependant, les méthodes existantes sont principalement développées pour l'anglais et pour des types de textes spécifiques, limitant leur transposition à d'autres langues et contextes cliniques. Cette thèse explore des approches innovantes de traitement automatique des langues appliquées aux données cliniques en français, à travers le cas de la polyarthrite rhumatoïde. Ce travail, centré sur les questions de reproductibilité des méthodes et sur la complexité de leur adaptation dans un contexte hospitalier aux ressources de calcul limitées, s'articule autour de trois axes complémentaires. Le premier s'intéresse au phénotypage électronique des patient.e.s atteint.e.s de polyarthrite rhumatoïde et à l'identification des séjours hospitaliers en rapport avec leur maladie. Pour cela, trois stratégies ont été comparées : une méthode de référence basée sur des règles simples, la réutilisation d'un algorithme supervisé déjà entraîné, et l'entraînement d'un algorithme d'apprentissage semi-supervisé. L'adaptation de ces algorithmes à des nouvelles données, comme celles des hôpitaux universitaire de Strasbourg, n'est pas aisée et engendre une baisse des performances. L'algorithme supervisé obtient les meilleurs résultats, tandis que la méthode simple à base de règles offre un bon compromis entre performance et facilité d'implémentation. Il est également constaté que le phénotypage au niveau des séjours s'avère plus complexe que celui au niveau des patient·e·s, avec des performances systématiquement plus faibles. Le deuxième axe de ce travail porte sur la création d'un corpus annoté de textes cliniques pour l'extraction des médicaments et de leurs attributs, tels que la posologie, la fréquence ou la voie d'administration. Un schéma d'annotation original, s'inspirant du concept linguistique de cadres sémantiques, a été développé pour intégrer également la dimension temporelle (début, arrêt, modification de traitement) et la contextualisation des informations extraites (négation, hypothèse). Ce corpus de 715 textes cliniques constitue une ressource fondamentale pour l'entraînement et l'évaluation d'algorithmes automatiques d'extraction d'information en français. Le troisième axe introduit une architecture innovante pour l'extraction des relations entre les médicaments et leurs attributs. Contrairement aux approches décrites dans la littérature qui traitent chaque paire d'entités individuellement, la méthode proposée permet de classifier l'ensemble des relations en une seule fois. Cette approche réduit le temps de calcul tout en maintenant des performances pour l'extraction d'information comparables à l'état de l'art. L'efficience computationnelle est particulièrement importante pour une intégration dans des environnements hospitaliers équipé d'une infrastructure de calcul limitée. Les expérimentations menées sur le français et l'anglais attestent de la robustesse et de la portabilité de la méthode proposée. En conclusion, ce travail met en évidence les difficultés persistantes pour valoriser l'information clinique des dossiers patients informatisés et la nécessité de créer et mettre à disposition des ressources spécifiques pour la langue française. Les méthodes et ressources développées ici sont une première étape dans l'analyse automatique des textes libres contenus dans le dossier patient informatisé.

Extraction of clinical information from electronic health records represents a challenge for healthcare data reuse. As most information is recorded as free text, natural language processing becomes essential for leveraging this data. However, existing methods are primarily developed for English and for specific text types, limiting their transposition to other languages and clinical contexts. This thesis explores innovative natural language processing methods applied to French clinical data, through the case of rheumatoid arthritis. This work is focused on method reproducibility and the complexity of adaptation in hospital settings with limited computing resources. It is structured around three complementary axes. The first examine the electronic phenotyping of patients with rheumatoid arthritis and the identification of hospital encounters related to their disease. Three strategies were compared: a reference method based on simple rules, adaptation of a previously trained supervised algorithm, and the training of a semi-supervised learning algorithm. Adapting these algorithms to new data, such as those from the University Hospitals of Strasbourg, is challenging and leads to decreased performance. The supervised algorithm achieves the best results, while the simple rule-based method offers a good compromise between performance and ease of implementation. It is also noted that phenotyping at the encounter level proves more complex than at the patient level, with consistently lower performance. The second axis of this work involves creating an annotated corpus of clinical texts for extracting medications and their attributes, such as dosage, frequency, or route of administration. An original annotation scheme, inspired by the linguistic concept of semantic frames, was developed to also integrate the temporal dimension (initiation, discontinuation, treatment modification) and the contextualization of extracted information (negation, hypothesis). This corpus of 715 French clinical texts (physician notes, reports) constitutes a fundamental resource for training and evaluating automatic information extraction algorithms in French. Finally, the third axis presents an innovative architecture for extracting relationships between medications and their attributes. Unlike approaches described in the literature that process each pair of entities individually, the proposed method allows classifying all relationships at once. This architectural change reduces computation time while maintaining information extraction performance comparable to the state of the art. Computational efficiency is particularly important for integration into computational resource-limited hospital environments. Experiments conducted on both French and English corpora attest to the robustness and portability of the proposed method across different languages. In conclusion, this work highlights the persistent difficulties in leveraging clinical information from electronic health records and the need to create and make available specific resources for the French language. The methods and resources developed here represent a first step in the automatic analysis of free text contained in electronic health records.