MetaMap e UMLS: concept extraction dal testo clinico e biomedico

AIHealth

Piattaforma clinica on-premise con LLM locali, RAG su dati FHIR/DICOM, supporto alla diagnosi, follow-up remoto. Architettura progettata per il percorso MDR.

Scopri AIHealth →

Digital Health

Sviluppo di software medicale conforme agli standard normativi CE e MDR. Sistemi di supporto alle decisioni cliniche, integrazione AI nei flussi di lavoro clinici.

Scopri →

Il testo clinico come dato

Gran parte dell’informazione clinica — anamnesi, esame obiettivo, impressione, piano terapeutico, decorso, dimissione — è rappresentata come testo libero in cartella clinica elettronica. Le componenti strutturate (anagrafica, diagnosi codificate, farmaci, laboratorio) catturano una parte quantitativa; la narrativa medica resta il modo naturale con cui il clinico registra il ragionamento diagnostico-terapeutico.

Estrarre informazione computabile da questo testo — identificare malattie menzionate, farmaci, procedure, anatomia, sintomi — è il compito del Natural Language Processing biomedico. Il nodo centrale è il collegamento tra termini di superficie (come il clinico li scrive) e concetti controllati di una terminologia medica — necessario per abilitare ricerca strutturata, analitica epidemiologica, clinical decision support.

La National Library of Medicine (NLM) degli Stati Uniti ha costruito negli ultimi vent’anni l’infrastruttura che rende questo collegamento possibile: UMLS come risorsa terminologica, e MetaMap come strumento di mapping del testo.

UMLS

Il Unified Medical Language System è un progetto NLM avviato a metà degli anni ‘80 e in continuo aggiornamento. UMLS non è una singola terminologia, ma un’integrazione federata di oltre 150 vocabolari di origine (SNOMED CT, MeSH, ICD-9/10, RxNorm, LOINC, CPT, NDF-RT, GO, e decine di altri) unificati in una struttura comune. I rilasci sono semestrali (edizione AA ad aprile, AB a novembre); la release corrente al momento di scrivere è UMLS 2009AA.

I componenti principali di UMLS:

• Metathesaurus — oltre 2.5 milioni di concetti distinti, ciascuno con un Concept Unique Identifier (CUI) nella forma C0000039 (tipo concettuale + numero). Ogni CUI raggruppa i termini sinonimi provenienti dai vari vocabolari di origine, con le loro descrizioni nelle varie lingue disponibili
• Semantic Network — un livello superiore di 135 Semantic Types (Disease or Syndrome, Pharmacologic Substance, Diagnostic Procedure, Anatomical Structure, …) con relazioni semantiche tra tipi (is-a, treats, causes)
• Specialist Lexicon — lessico computazionale inglese con caratteristiche morfologiche e sintattiche
• File tabulari MRCONSO (concept-term mappings), MRSTY (concept-semantic type), MRREL (relazioni), MRHIER (gerarchie)

L’accesso a UMLS è gratuito ma sottoposto a licenza UMLS Metathesaurus License Agreement — distribuita da NLM previa registrazione. La licenza impone obblighi sui sotto-vocabolari di origine (SNOMED CT, CPT hanno politiche specifiche proprie).

MetaMap

MetaMap è stato sviluppato da Alan R. Aronson a NLM negli anni ‘90 come strumento per indicizzare automaticamente gli articoli di MEDLINE con concetti MeSH. La funzione centrale: dato un testo biomedico, identificare i concetti UMLS presenti e restituirli come annotazioni strutturate con CUI, Semantic Type, posizione nel testo, score di confidenza.

Il pipeline di elaborazione di MetaMap include:

1. Parsing — analisi sintattica con lo SPECIALIST Parser, identificazione di frasi nominali candidate
2. Variant generation — per ogni frase, generazione di varianti lessicali (singolare/plurale, flessione, sinonimi, acronimi espansi)
3. Candidate retrieval — matching delle varianti contro il Metathesaurus UMLS, con raccolta di concetti candidati
4. Candidate evaluation — scoring dei candidati secondo metriche di centralità, variazione, coerenza, copertura
5. Mapping construction — selezione del miglior mapping per ogni frase, con potenziale ambiguità risolta
6. Output — rappresentazione annotata del testo con CUI assegnati, score, ambiguità

La versione MetaMap 2009 è distribuita gratuitamente con licenza UMLS. Le evoluzioni recenti includono:

• Word sense disambiguation migliorata, con contesto di frase
• Negation detection integrata (basata sull’algoritmo NegEx di Chapman et al., 2001)
• Temporality — identificazione di espressioni temporali
• API Java (MetaMap Java API, MMJA) — alternativa moderna alla chiamata via pipe da shell
• Performance — la versione 2009 ha migliorato significativamente la velocità rispetto alle precedenti

L’implementazione storica è in SICStus Prolog, con progressive riscritture in Java dei componenti più usati. Il modello di distribuzione è binari compilati per Linux, Mac OS X, Windows, più il codice sorgente accessibile via licenza UMLS.

SemRep e altri strumenti NLM

MetaMap non è isolato. NLM distribuisce una suite di strumenti NLP biomedici:

• SemRep — estrazione di predicazioni semantiche dal testo (“Aspirin TREATS Pain”) utilizzando MetaMap come componente di annotazione sottostante. Costruisce un Semantic Knowledge Base navigabile, utile per ricerca concettuale
• SemMedDB — database pubblico di predicazioni SemRep estratte da MEDLINE, usato in progetti di knowledge discovery
• Essie — motore di ricerca full-text integrato con concetti UMLS
• cTAKES — sistema NLP clinico sviluppato al Mayo Clinic, basato su Apache UIMA. In fase di rilascio open source nei prossimi mesi (attualmente internally at Mayo)
• MedEx — sistema NLP per farmaci, sviluppato a Vanderbilt
• MedLEE — sistema NLP clinico di Carol Friedman, Columbia, pionieristico ma largamente proprietario

Casi d’uso

Indicizzazione della letteratura biomedica

Il caso originario di MetaMap: articoli MEDLINE analizzati per estrarre concetti rilevanti, aggiungere MeSH terms automaticamente, migliorare il recall di ricerche PubMed. NLM usa MetaMap internamente per aggiornare l’indicizzazione di milioni di articoli.

Codifica di documenti clinici

Documenti di dimissione, note di visita, referti di radiologia analizzati per estrarre diagnosi, procedure, farmaci, corrispondenti a codici ICD-9/10, SNOMED, ATC. Supporto al billing (coding delle SDO) e alle funzioni amministrative.

Clinical trial eligibility

Matching automatico tra criteri di inclusione/esclusione di un trial (testuali) e anamnesi/stato del paziente (cartella). Identificazione dei pazienti eligibili con screening preliminare computabile.

Adverse drug event detection

Estrazione di menzioni di effetti avversi da note cliniche, con collegamento al farmaco sospetto; uso in farmacovigilanza attiva e pharmacoepidemiology.

Phenotyping algoritmico

Definizione di coorti di pazienti con una data malattia a partire da documentazione testuale non strutturata; contribuisce a studi osservazionali e pharmacogenomici.

Text mining per discovery

Estrazione di associazioni tra entità (farmaco-malattia, gene-malattia, proteina-proteina) dalla letteratura scientifica; base per progetti di literature-based discovery (Swanson discovery).

Limiti e compromessi

MetaMap non è una soluzione neutrale o perfetta:

• Ambiguità — molti termini hanno CUI multipli (es. “cold” può essere temperatura, raffreddore, COLD = Chronic Obstructive Lung Disease); la disambiguazione richiede contesto che MetaMap gestisce in modo imperfetto
• Coverage UMLS — UMLS contiene moltissime terminologie ma non tutte le sotto-aree sono ugualmente rappresentate; la concept extraction è più accurata in aree con SNOMED CT ben maturato che in nicchie specialistiche
• Lingua — UMLS Metathesaurus contiene termini in più lingue (inglese, spagnolo, francese, tedesco, italiano in parte), ma MetaMap nativamente è orientato all’inglese. Per testi italiani, il workflow tipico è: traduzione automatica → MetaMap → mapping a concetti UMLS; oppure l’uso di sotto-vocabolari UMLS italiani dove disponibili (soprattutto MeSH italiano)
• Performance su volumi — il pipeline Prolog-based è lento per grandi volumi di testo; l’uso in batch su milioni di documenti richiede parallelizzazione e pre-filtering
• Accesso UMLS — la licenza richiesta è un ostacolo non banale per progetti non accademici; per scenari commerciali implica verifiche di conformità e a volte accordi separati con i proprietari dei vocabolari di origine

Il contesto italiano

L’applicazione di MetaMap al testo clinico italiano è limitata dalle barriere linguistiche: MetaMap è costruito sull’inglese e il lessico SPECIALIST è inglese. Alcuni progetti di ricerca accademica (Università di Torino, Università di Bari, Milano, Roma) hanno sperimentato pipeline italo-inglesi con traduzione automatica, con risultati utili ma non produttivi.

Una risposta alternativa, più sostenibile per lingue diverse dall’inglese, è stata l’evoluzione verso pipeline NLP multilingua basate su risorse locali: lessici italiani, thesauri MeSH italiani, modelli di named entity recognition addestrati su corpus clinici italiani. Progetti come I-CAB (Italian Content Annotation Bank), EVALITA con task clinici, sono i riferimenti emergenti.

L’arrivo previsto di cTAKES come open source — attesoacollaboazione Apache — potrebbe aprire il campo a customizzazioni linguistiche più flessibili rispetto a MetaMap.

Prospettive

MetaMap resta, al 2009, lo strumento di riferimento per il concept mapping biomedico in inglese. Le direttrici di evoluzione prevedibili:

• Migliore integrazione con strumenti clinici reali — cartelle elettroniche, sistemi di coding, motori CDS
• Semantica più profonda — non solo identificazione dei concetti ma strutturazione delle relazioni (già obiettivo di SemRep)
• Accuratezza con apprendimento supervisionato — affiancamento di modelli machine-learning al matching basato su regole
• Cloud deployment — accesso a MetaMap come servizio remoto per non dover distribuire tutto il Metathesaurus UMLS presso ciascun utente

Per chi lavora su testo clinico biomedico, MetaMap e UMLS sono oggi — e probabilmente resteranno per anni — l’infrastruttura di riferimento. Le alternative specializzate (cTAKES, MedLEE, strumenti specifici per farmaci o oncologia) si affiancano piuttosto che sostituire il nucleo NLM.

Riferimenti: MetaMap 2009, Alan R. Aronson, National Library of Medicine (metamap.nlm.nih.gov). UMLS 2009AA, NLM. Licenza UMLS Metathesaurus License Agreement. NegEx (Chapman et al., 2001). SPECIALIST Lexicon. SemRep, SemMedDB. MEDLINE / PubMed.