DOI: https://doi.org/10.1016/j.cmpb.2026.109517
PMID: https://pubmed.ncbi.nlm.nih.gov/40778122
تاريخ النشر: 2026-06-14
المؤلف: Ricardo Kleinlein وآخرون
الموضوع الرئيسي: تعلم الآلة في الرعاية الصحية
نظرة عامة
في هذا القسم، يقدم المؤلفون SPELL-LLMs، وهو خط أنابيب جديد لمعالجة اللغة الطبيعية (NLP) مصمم لاستخراج المعلومات بكفاءة من السرديات السريرية. يتميز هذا النظام بقابليته للتوسع والامتثال للوائح الخصوصية، مما يضمن التعامل مع البيانات الحساسة بشكل مناسب. يدمج خط الأنابيب التعبيرات العادية (regex) مع نماذج اللغة الكبيرة المستضافة محليًا (LLMs)، مما يسهل نهجًا قويًا لمعالجة وتحليل بيانات النصوص السريرية. تهدف مجموعة هذه التقنيات إلى تعزيز دقة وكفاءة استخراج المعلومات في بيئات الرعاية الصحية.
مقدمة
تناقش مقدمة ورقة البحث التحديات والتطورات في استخدام السجلات الصحية الإلكترونية (EHRs) لاتخاذ القرارات السريرية والبحث. تحتوي السجلات الصحية الإلكترونية على بيانات هيكلية (مثل العلامات الحيوية، نتائج المختبر) وبيانات غير هيكلية (مثل ملاحظات الأطباء)، حيث تحتوي الأخيرة غالبًا على معلومات سريرية حاسمة يصعب تحليلها بسبب تباين البيانات وعدم اتساق الوثائق. كانت الطرق التقليدية لمعالجة النصوص السريرية تتطلب جهدًا كبيرًا وكانت محدودة في قابلية التوسع، مما يثير الحاجة إلى حلول معالجة اللغة الطبيعية (NLP) الآلية. تقدم التطورات الأخيرة في نماذج اللغة الكبيرة (LLMs) قدرات واعدة لاستخراج النصوص السريرية ولكن تثير مخاوف بشأن الخصوصية والامتثال بسبب الاعتماد على الأنظمة السحابية.
لمعالجة هذه القضايا، يقدم المؤلفون SPELL-LLMs، وهو خط أنابيب NLP قابل للتوسع ويحافظ على الخصوصية يجمع بين التعبيرات العادية (regex) لاستخراج البيانات بكفاءة مع استدلال LLM المستضاف محليًا. يقلل هذا النهج من التكاليف الحاسوبية ومخاطر الخصوصية مع الحفاظ على الدقة في التطبيقات السريرية. تسلط الورقة الضوء على فائدة SPELL-LLMs من خلال حالات استخدام محددة في مجال التوليد، مثل قياس فقدان الدم المرتبط بالولادة وتحديد الحالات السريرية مثل متلازمة HELLP، وتؤكد أيضًا على قابليتها للتعميم من خلال تطبيقها على سيناريوهات سريرية متنوعة. يتم تقييم المنهجية والدقة والكفاءة واعتبارات النشر العملي لـ SPELL-LLMs بشكل منهجي، مما يظهر إمكاناتها لتعزيز سير العمل السريري مع ضمان خصوصية البيانات.
طرق
تستخدم الدراسة منهجية هجينة تدمج التعبيرات العادية (regex) لتحديد مقاطع النص ذات الصلة بسرعة مع نماذج اللغة الكبيرة المستضافة محليًا (LLMs) لضمان التفسير السريري الدقيق. تم تصميم هذا النهج للعمل بأمان داخل البيئات المؤسسية، مع الحفاظ على الالتزام الصارم بلوائح خصوصية البيانات. تم تطوير سير العمل، الذي تم تطويره بلغة بايثون، ليكون معياريًا وقابلًا للتكيف، مما يسمح بتحسينه عبر مؤسسات مختلفة وتمكين معالجة عالية الإنتاجية حتى في البيئات ذات الموارد الحاسوبية المحدودة.
تسلط التحليل المقارن المقدم في الجدول 1 الضوء على مزايا نهج SPELL-LLM مقارنةً بأساليب معالجة اللغة الطبيعية السريرية التقليدية مثل ClinicalBERT وcTAKES/MetaMap. تشير النتائج الرئيسية إلى أن SPELL-LLMs تقدم عبء توضيح منخفض، ومرونة عالية، وكفاءة حاسوبية متفوقة. بالإضافة إلى ذلك، بينما تتطلب الطرق التقليدية معالجة صريحة للمعدلات السياقية ودمجها مع المفردات السريرية، تدير SPELL-LLMs هذه الجوانب بشكل ضمني. كما يبرز النظام الخصوصية المدمجة من خلال الاستضافة المحلية، مما يميزه عن الأساليب الأخرى التي قد تتطلب تخطيطًا إضافيًا لدمج المفردات السريرية.
النتائج
تظهر نتائج الدراسة فعالية خط أنابيب SPELL-LLMs في معالجة ملايين التقارير السريرية من 1976 إلى 2024، محققةً تقليصًا بنسبة 80% في وقت المعالجة مقارنةً باستدلال نموذج اللغة الكبير (LLM) التقليدي الكامل الوثيقة وتقليصًا بنسبة 97% مقارنةً بالتوضيح اليدوي من قبل الأطباء. تم التحقق من دقة النظام من خلال ثلاث مهام تتعلق بالتوليد – استخراج القيم الرقمية، والتواريخ، والتشخيصات – مما أسفر عن توافق بنسبة 95% مع توضيحات الخبراء. بالإضافة إلى ذلك، نجح النظام في تحديد تشخيصات تسرع القلب البطيني في مجموعة بيانات MT Samples المتاحة للجمهور، مما يبرز قابليته للتعميم.
تشير النتائج الرئيسية إلى أن SPELL-LLMs تقلل بشكل كبير من جهود المراجعة اليدوية مع الحفاظ على دقة بمستوى الخبراء عبر مهام استخراج سريرية متنوعة. يسمح سير العمل المنظم والهيكلية المعيارية للنظام بدمج سلس لتقنيات الذكاء الاصطناعي التوليدية الناشئة، مما يجعله قابلاً للتكيف وسهل الاستخدام. يتناقض هذا القابل للتكيف مع خطوط أنابيب NLP التقليدية التي تتطلب توضيحًا يدويًا مكثفًا وإعادة تدريب متكررة للنموذج. بشكل عام، تسلط الدراسة الضوء على إمكانات SPELL-LLMs لتعزيز جدوى الدراسات السريرية الاستعادية واسعة النطاق والتحليلات السريرية الروتينية، مما يحول ممارسات المعلوماتية السريرية.
المناقشة
في هذه الدراسة، قدمنا وأكدنا SPELL-LLMs، وهو خط أنابيب لمعالجة اللغة الطبيعية (NLP) قابل للتوسع ويحافظ على الخصوصية مصمم لاستخراج رؤى سريرية هيكلية من السرديات غير الهيكلية للسجلات الصحية الإلكترونية (EHR). يجمع الإطار الهجين بين استخراج المقاطع المعتمد على regex مع استدلال نموذج اللغة الكبير (LLM) المستضاف محليًا، مما يظهر كفاءة حاسوبية كبيرة ودقة عالية عبر ثلاث مهام تتعلق بالتوليد: قياس فقدان الدم، واسترجاع التواريخ المتوقعة للولادة (EDD)، واكتشاف متلازمة HELLP. تشير النتائج إلى أن نهجنا لا يعزز فقط قابلية استخدام البيانات السريرية للبحث ودعم القرار، بل يحقق أيضًا تقليصًا ملحوظًا بنسبة 97% في أعباء التوضيح اليدوي، مما يسهل سير العمل السريري.
يؤكد تصميم خط الأنابيب على المعيارية والقابلية للتكيف، مما يسمح بإجراء تعديلات سريعة لتلبية الاحتياجات السريرية المتنوعة مع ضمان الامتثال للوائح خصوصية الرعاية الصحية من خلال معالجة البيانات محليًا. تسلط نتائجنا الضوء على مزايا الاستدلال القائم على المقاطع الديناميكية مقارنةً بالمعالجة الدفعة التقليدية، التي غالبًا ما تعاني من عدم الكفاءة بسبب اختلاف أطوال الملاحظات. من خلال معالجة هذه التحديات، توفر SPELL-LLMs حلاً قويًا لأتمتة استخراج البيانات، مما يحسن في النهاية اتخاذ القرارات السريرية وجودة رعاية المرضى. علاوة على ذلك، فإن القابلية للتعميم التي تم إثباتها لخط الأنابيب عبر سياقات سريرية مختلفة تؤكد على إمكاناته للاعتماد الواسع في بيئات الرعاية الصحية المتنوعة.
القيود
تسلط قسم القيود الضوء على عدة تحديات ومجالات للتحسين في البحث الحالي. بينما أظهر النموذج (Llama3.1-8B-Instruct) جدوى في السيناريوهات المتعلقة بالتوليد، لا تزال قابليته للتعميم على تخصصات طبية أخرى غير مختبرة. أشارت التقييمات الأولية إلى نتائج واعدة لحالات مثل تسرع القلب البطيني، ولكن هناك حاجة إلى مزيد من التحقق عبر ممارسات الوثائق المتنوعة لتأكيد قابلية التطبيق الأوسع. تم اختيار النموذج لعمليته وأدائه مقارنةً بالنماذج المتخصصة مثل ClinicalBERT وBioGPT، ولكنه لم يتم تحسينه للغة السريرية، مما قد يؤثر على فعاليته.
بالإضافة إلى ذلك، فإن عدم وجود تخطيط صريح للمفاهيم المستخرجة إلى المصطلحات السريرية القياسية (مثل ICD-10، SNOMED-CT) يمثل تحديًا للتشغيل البيني. يجب أن تركز الأبحاث المستقبلية على دمج النماذج المتخصصة في المجال لتعزيز الدقة، وتنفيذ وحدات تخطيط المفاهيم، وتحسين التعامل مع المعدلات اللغوية لزيادة موثوقية الاستخراج. علاوة على ذلك، يُوصى بالتحقق الخارجي عبر مؤسسات وأنظمة السجلات الصحية الإلكترونية (EHR) المختلفة، ومراقبة انحراف المفاهيم، وإجراء تحليلات العدالة الديموغرافية لضمان قوة النموذج وأدائه العادل عبر مجموعات المرضى المتنوعة.
DOI: https://doi.org/10.1016/j.cmpb.2026.109517
PMID: https://pubmed.ncbi.nlm.nih.gov/40778122
Publication Date: 2026-06-14
Author(s): Ricardo Kleinlein et al.
Primary Topic: Machine Learning in Healthcare
Overview
In this section, the authors introduce SPELL-LLMs, a novel natural language processing (NLP) pipeline designed for efficient information extraction from clinical narratives. This system is characterized by its scalability and adherence to privacy regulations, ensuring that sensitive data is handled appropriately. The pipeline integrates regular expressions (regex) with locally hosted large language models (LLMs), facilitating a robust approach to processing and analyzing clinical text data. The combination of these technologies aims to enhance the accuracy and efficiency of information extraction in healthcare settings.
Introduction
The introduction of the research paper discusses the challenges and advancements in utilizing electronic health records (EHRs) for clinical decision-making and research. EHRs contain both structured data (e.g., vital signs, lab results) and unstructured data (e.g., physician notes), with the latter often holding critical clinical information that is difficult to analyze due to data heterogeneity and inconsistent documentation. Traditional methods for processing clinical text have been labor-intensive and limited in scalability, prompting the need for automated natural language processing (NLP) solutions. Recent developments in large language models (LLMs) offer promising capabilities for clinical text extraction but raise concerns regarding privacy and compliance due to reliance on cloud-based systems.
To address these issues, the authors introduce SPELL-LLMs, a scalable and privacy-preserving NLP pipeline that combines regular expressions (regex) for efficient data extraction with locally hosted LLM inference. This approach minimizes computational costs and privacy risks while maintaining accuracy in clinical applications. The paper highlights the utility of SPELL-LLMs through specific obstetric use cases, such as quantifying delivery-related blood loss and identifying clinical conditions like HELLP syndrome, and further validates its generalizability by applying it to diverse clinical scenarios. The methodology, accuracy, efficiency, and practical deployment considerations of SPELL-LLMs are systematically evaluated, showcasing its potential to enhance clinical workflows while ensuring data privacy.
Methods
The research employs a hybrid methodology that integrates regular expressions (regex) for the rapid identification of pertinent textual snippets with locally hosted large language models (LLMs) to ensure precise clinical interpretation. This approach is designed to operate securely within institutional environments, maintaining strict adherence to data privacy regulations. The workflow, developed in Python, is modular and adaptable, allowing for optimization across various institutions and enabling high-throughput processing even in settings with limited computational resources.
A comparative analysis presented in Table 1 highlights the advantages of the SPELL-LLM approach over traditional clinical natural language processing (NLP) methodologies such as ClinicalBERT and cTAKES/MetaMap. Key findings indicate that SPELL-LLMs offer low annotation burden, high flexibility, and superior computational efficiency. Additionally, while traditional methods require explicit handling of contextual modifiers and integration with clinical vocabularies, SPELL-LLMs implicitly manage these aspects. The platform also emphasizes built-in privacy through local hosting, distinguishing it from other methodologies that may necessitate additional mapping for clinical vocabulary integration.
Results
The results of the study demonstrate the efficacy of the SPELL-LLMs pipeline in processing millions of clinical reports from 1976 to 2024, achieving an 80% reduction in processing time compared to traditional full-document large language model (LLM) inference and a 97% reduction compared to manual physician annotation. The accuracy of the system was validated through three obstetric tasks—extraction of numerical values, dates, and diagnoses—resulting in a 95% agreement with expert annotations. Additionally, the platform successfully identified ventricular tachycardia diagnoses in the publicly available MT Samples dataset, underscoring its generalizability.
Key findings indicate that SPELL-LLMs significantly decrease manual review efforts while maintaining expert-level accuracy across diverse clinical extraction tasks. The structured workflow and modular architecture of the platform allow for seamless integration of emerging generative AI technologies, making it adaptable and user-friendly. This adaptability contrasts with traditional NLP pipelines that require extensive manual annotation and frequent model retraining. Overall, the study highlights the potential of SPELL-LLMs to enhance the feasibility of large-scale retrospective clinical studies and routine clinical analytics, thereby transforming clinical informatics practices.
Discussion
In this study, we introduced and validated SPELL-LLMs, a scalable and privacy-preserving natural language processing (NLP) pipeline designed to extract structured clinical insights from unstructured electronic health record (EHR) narratives. The hybrid framework combines regex-based snippet extraction with locally hosted large language model (LLM) inference, demonstrating significant computational efficiency and high accuracy across three obstetric tasks: quantifying blood loss, retrieving estimated due dates (EDD), and detecting HELLP syndrome. The results indicate that our approach not only enhances the usability of clinical data for research and decision support but also achieves a remarkable 97% reduction in manual annotation workloads, thereby streamlining clinical workflows.
The pipeline’s design emphasizes modularity and adaptability, allowing for rapid adjustments to meet diverse clinical needs while ensuring compliance with healthcare privacy regulations through local data processing. Our findings highlight the advantages of dynamic snippet-based inference over traditional batch processing, which often suffers from inefficiencies due to variable note lengths. By addressing these challenges, SPELL-LLMs provides a robust solution for automating data extraction, ultimately improving clinical decision-making and patient care quality. Furthermore, the demonstrated generalizability of the pipeline across different clinical contexts underscores its potential for widespread adoption in various healthcare settings.
Limitations
The section on limitations highlights several challenges and areas for improvement in the current research. While the model (Llama3.1-8B-Instruct) demonstrated feasibility in obstetric-related scenarios, its generalizability to other medical specialties remains untested. The initial evaluations indicated promising results for conditions like ventricular tachycardia, but further validation across diverse documentation practices is necessary to confirm broader applicability. The model was selected for its practicality and performance compared to specialized models such as ClinicalBERT and BioGPT, but it was not optimized for clinical language, which may affect its effectiveness.
Additionally, the lack of explicit mapping of extracted concepts to standardized clinical terminologies (e.g., ICD-10, SNOMED-CT) poses a challenge for interoperability. Future research should focus on integrating domain-specialized models to enhance accuracy, implementing concept-mapping modules, and improving the handling of linguistic modifiers to increase extraction reliability. Furthermore, external validation across different institutions and electronic health record (EHR) systems, monitoring for concept drift, and conducting demographic fairness analyses are recommended to ensure the model’s robustness and equitable performance across diverse patient populations.