Saisie de prescriptions médicales en langage naturel sur terminaux mobiles - Laboratoire d'Informatique de Grenoble Accéder directement au contenu
Thèse Année : 2022

Medical presciptions in natural language on smartphones

Saisie de prescriptions médicales en langage naturel sur terminaux mobiles

Résumé

The use of information technology in health care facilities allows for better organization, strengthens procedures, allows for a continuous information tranmission and makes the care process safer. One of the components of a health information system (HIS) is a prescribing assistance software (PAS) that helps to limit adverse drug events (ADEs). When physicians use software for healthcare, most of the data is entered manually into the PAS, which reduces the time spent on care. To overcome this barrier, we propose to provide a natural language interface to PAS so that practitioners can record their prescriptions using speech at the point of care using a smartphone. Such a system would allow practitioners to use a PAS on the go and allow them to get as close as possible to the most natural way of prescribing medications.The general approach we have adopted is a task-oriented dialogue system coupled with a PAS destined for prescribers. One of the main challenges was to design a complete specialized dialogue system with processing mostly based on deep machine learning methods without available training data. To circumvent this problem, we proposed an iterative method coupling corpus collection, automatic text generation and expert modeling. We present a conversational modeling validated with medical experts and a detailed study of the characteristics of drug prescriptions from a NLP perspective. One of the main components of a dialogue system is focused on the natural language understanding (NLU) process, which is addressed by a slot-filling approach. Our method of data collection and generation allowed us to create a balanced corpus covering the whole prescription semantics we defined. This corpus allowed the initial learning of the NLU model as well as the boostrapping of the dialogue system.To validate our approach and to collect realistic oral prescription data, we proposed an experiment with the dual objective of evaluating the system and collecting data. The evaluation, which included 55 people, including 34 medical experts, showed that the performance of NLU was satisfactory with an F-measure of 90% for a task success rate of more than 75% for the medical experts. These results are comparable to those obtained on the initial corpus, which confirms that the approach adopted during the thesis was valid. In order to promote reproducible research, the aligned oral corpus (speech-transcription-semantics) comprising more than 4 hours of recordings will be released to the community.This thesis was carried out within the framework of a CIFRE (convention industrielle de formation par la recherche) collaboration between the company Calystene SA and Laboratoire Informatique de Grenoble (LIG).
L'utilisation des technologies de l'information dans les établissements de santé permet une meilleure organisation, renforce les procédures, permet un flux d'informations continu et sécurise le processus de soins. L'un des composants faisant partie des systèmes informatiques de santé (SIS) est un logiciel d'aide à la prescription (LAP) qui permet de limiter les événements indésirables médicamenteux (EIM).Lorsque les médecins utilisent un logiciel pour les soins de santé, la plupart des données sont saisies manuellement dans le LAP, ce qui réduit le temps consacré aux soins. Afin de surmonter cet obstacle, nous proposons de fournir une interface en langage naturel au LAP afin que les praticiens puissent enregistrer leurs prescriptions orales sur le lieu de soins en utilisant un terminal mobile. Un tel système permettrait aux praticiens d'utiliser un LAP en déplacement et leur permettrait de se rapprocher le plus possible de la manière la plus naturelle de prescrire des médicaments.L'approche générale que nous avons adoptée consiste à proposer un système de dialogue orienté tâche couplé à un LAP destiné aux prescripteurs. L'un des principaux défis à relever a été de concevoir un système complet de dialogue spécialisé avec des traitements majoritairement basés sur des méthodes d'apprentissage automatique profond sans donnée d'entrainement disponible. Pour contourner ce problème, nous avons proposé une méthode itérative couplant de la collecte de corpus, de la génération automatique de texte et de la modélisation par expertise. Nous présentons une modélisation conversationnelle validée auprès d'experts médicaux et une étude détaillée des caractéristiques des prescriptions médicamenteuses d'un point de vue de TALN. L'un des principaux composants d'un système de dialogue est axé sur le processus de compréhension du langage naturel (NLU), qui est abordé par une approche de slot-filling. Notre méthode de collecte et de génération de données a permis de créer un corpus équilibré et couvrant l'ensemble de la sémantique de prescription que nous avons définie. Ce corpus a permis l'apprentissage initial de modèle de NLU ainsi que l'amorçage du système de dialogue.Pour valider notre approche et recueillir des données de prescriptions réalistes à l'oral, nous avons proposé une expérimentation avec le double objectif d'évaluer le système et de collecter des données. L'évaluation qui a inclus 55 personnes, dont 34 experts médicaux, a montré que les performances de NLU étaient satisfaisantes avec une F-mesure de 90% pour un taux de réussite de la tâche de plus de 75% pour les experts médicaux. Ces résultats sont comparables à ceux obtenus sur le corpus initial ce qui confirme que la démarche adoptée durant la thèse était valide. Afin de favoriser la recherche reproductible, le corpus oral aligné (parole-transcription-sémantique) comprenant plus de 4 heures d'enregistrement sera diffusé à la communauté.Cette thèse a été effectuée dans le cadre d'une collaboration CIFRE (convention industrielle de formation par la recherche) entre la société Calystene SA et Laboratoire Informatique de Grenoble (LIG).
Fichier principal
Vignette du fichier
KOCABIYIKOGLU_2022_archivage.pdf (5.52 Mo) Télécharger le fichier
Origine : Version validée par le jury (STAR)

Dates et versions

tel-04097774 , version 1 (15-05-2023)

Identifiants

  • HAL Id : tel-04097774 , version 1

Citer

Ali Can Kocabiyikoglu. Saisie de prescriptions médicales en langage naturel sur terminaux mobiles. Intelligence artificielle [cs.AI]. Université Grenoble Alpes [2020-..], 2022. Français. ⟨NNT : 2022GRALM049⟩. ⟨tel-04097774⟩
95 Consultations
68 Téléchargements

Partager

Gmail Facebook X LinkedIn More