Bridging the data latency gap: automated extraction of genomic biomarkers from unstructured clinical documents to support real-world oncology data.

چکیده اصلی

PURPOSE: Real-world oncology data are essential for clinical research and precision cancer care. However, genomic biomarkers are often embedded in scanned, unstructured clinical documents requiring manual abstraction before becoming available in cancer registries, delaying real-world evidence generation. This study evaluated and compared three open-source optical character recognition (OCR) approaches, Tesseract, EasyOCR, and a hybrid implementation, to determine which best enables automated extraction of Oncotype DX recurrence scores and improves the timeliness and quality of real-world oncology data. METHODS: We evaluated the feasibility of automated genomic data extraction using 675 Oncotype DX reports from a Midwestern U.S. health system. EasyOCR, Tesseract, and a hybrid OCR approach were used to extract recurrence scores from scanned reports. OCR-derived values were compared with manually abstracted scores and local cancer registry data. Performance was assessed using agreement, precision, recall, F1 score, and processing time. Multivariable logistic regression was performed to identify factors associated with discordance between registry-reported and manually abstracted scores. RESULTS: The hybrid OCR approach demonstrated the highest performance, achieving 97% agreement with manual abstraction, precision of 0.997, recall of 0.972, and an F1 score of 0.984. Registry abstraction demonstrated comparable performance but required greater manual effort. Automated extraction substantially reduced processing time while maintaining high accuracy. Logistic regression showed registry discordance was largely independent of patient and tumor characteristics, with unknown progesterone receptor (PR) status as the only significant predictor. CONCLUSION: Automated extraction of genomic biomarkers represents a scalable approach to reducing delays in cancer data availability. Earlier capture of genomic information may support cancer registry modernization and improve real-world evidence generation in precision oncology.

ترجمه فارسی چکیده

هدف: داده‌های واقعی در سرطان‌شناسی برای تحقیقات بالینی و مراقبت دقیق از سرطان ضروری هستند. با این حال، نشانگرهای ژنومیک اغلب در اسناد اسکن‌شده و غیرسازمان‌یافته بالینی گنجانده شده‌اند و نیاز به انتزاع دستی دارند تا در ثبت‌های سرطان در دسترس قرار گیرند، که منجر به تأخیر در تولید شواهد واقعی می‌شود. این مطالعه سه رویکرد استخراج متن با نوری (OCR) متن‌باز، تست‌رکت، ایزی‌OCR و یک پیاده‌سازی هیبریدی را ارزیابی و مقایسه کرد تا مشخص شود کدام بهترین امکان استخراج خودکار امتیاز تکرار Oncotype DX را فراهم می‌کند و کیفیت داده‌های واقعی در سرطان‌شناسی را بهبود می‌بخشد. روش‌ها: ما قابلیت استخراج خودکار داده‌های ژنومیک را با استفاده از ۶۷۵ گزارش Oncotype DX از یک سیستم بهداشتی در ایالات متحده میانی ارزیابی کردیم. برای استخراج امتیازات تکرار از گزارش‌های اسکن‌شده، از ایزی‌OCR، تست‌رکت و یک رویکرد هیبریدی OCR استفاده شد. مقادیر استخراج‌شده توسط OCR با امتیازات انتزاع دستی و داده‌های ثبت سرطان محلی مقایسه شدند. عملکرد با استفاده از توافق، دقت، یادآوری، امتیاز F1 و زمان پردازش ارزیابی شد. رگرسیون لجستیک چندمتغیره برای شناسایی عوامل مرتبط با ناهماهنگی بین امتیازات گزارش‌شده در ثبت و امتیازات انتزاع دستی انجام شد. نتایج: رویکرد هیبریدی OCR بالاترین عملکرد را نشان داد، با ۹۷٪ توافق با انتزاع دستی، دقت ۰.۹۹۷، یادآوری ۰.۹۷۲ و امتیاز F1 ۰.۹۸۴. انتزاع ثبت سرطان عملکرد قابل مقایسه‌ای نشان داد اما نیاز به تلاش دستی بیشتری داشت. استخراج خودکار زمان پردازش را به طور قابل توجهی کاهش داد در حالی که دقت بالا را حفظ کرد. رگرسیون لجستیک نشان داد که ناهماهنگی ثبت عمدتاً مستقل از ویژگی‌های بیمار و تومور بود و وضعیت رقبای پروژسترون (PR) ناشناخته تنها پیش‌بینی‌کننده معنی‌دار بود. نتیجه‌گیری: استخراج خودکار نشانگرهای ژنومیک یک رویکرد مقیاس‌پذیر برای کاهش تأخیرهای دسترسی به داده‌های سرطان است. به‌دست آوردن زودهنگام اطلاعات ژنومیک ممکن است به مدرن‌سازی ثبت سرطان و بهبود تولید شواهد واقعی در سرطان‌شناسی دقیق کمک کند.

متن کامل اصلی