Pourquoi les notes vétérinaires en texte libre empêchent le codage automatisé

Les comptes rendus de consultation en texte libre constituent l’épine dorsale de la documentation clinique vétérinaire, mais ils ont été conçus pour le raisonnement clinique, non pour l’extraction de données. Lorsqu’un vétérinaire écrit « Je suspecte que nous avons affaire à une otite à un stade précoce », il communique une incertitude diagnostique à un collègue. Lorsqu’un système de codage automatisé lit la même phrase, il peut passer complètement à côté du diagnostic, le classer incorrectement ou attribuer un code avec un niveau de confiance que le clinicien n’a jamais voulu transmettre. Cet écart entre la façon dont les vétérinaires écrivent et la façon dont les systèmes de codage lisent est l’une des principales raisons pour lesquelles le codage médical en pratique vétérinaire reste peu fiable, et pourquoi les données en aval qui en dépendent sont si souvent incomplètes.

Ce qu’exige réellement le codage médical en pratique vétérinaire

Le codage médical est le processus qui consiste à convertir les informations clés d’un récit clinique en données structurées et normalisées à l’aide d’un vocabulaire contrôlé. En médecine vétérinaire, les cadres les plus largement utilisés incluent VeNom (la nomenclature vétérinaire) et SNOMED CT (Systematized Nomenclature of Medicine Clinical Terms). L’objectif est de transformer un compte rendu de consultation rédigé en langage naturel en concepts discrets et non ambigus : un diagnostic, une espèce, un système corporel, une procédure.

Les systèmes de codage, qu’ils soient exploités manuellement ou pilotés par le traitement du langage naturel (NLP, une branche de l’intelligence artificielle qui interprète le langage humain), analysent les dossiers à la recherche de signaux spécifiques. Ils doivent identifier un point final codable, une condition confirmée ou suspectée, et la faire correspondre à un terme du vocabulaire contrôlé. Ce qu’ils ne peuvent pas faire de manière fiable, c’est déduire la signification clinique du contexte narratif, résoudre une terminologie ambiguë ou distinguer un problème actif actuel d’un problème historique mentionné en passant.

Comme l’a observé une recherche publiée dans npj Digital Medicine, les notes vétérinaires diffèrent considérablement en termes de style d’écriture et de vocabulaire d’une clinique à l’autre, et leurs codes de diagnostic utilisent un cadre terminologique différent de celui de la médecine humaine. Contrairement aux soins de santé humains, où une infrastructure de codage robuste est intégrée dans les systèmes cliniques, la plupart des dossiers vétérinaires sont en texte libre sans codage de diagnostic standard. L’absence de cette infrastructure signifie que tout le poids de la codabilité repose sur la note elle-même. Pour en savoir plus sur la façon dont le codage médical en pratique vétérinaire diffère de la médecine humaine, consultez notre aperçu dédié.

Les schémas narratifs spécifiques qui entravent le codage automatisé

Plusieurs habitudes distinctes de texte libre provoquent systématiquement des échecs ou des omissions de codage. Ce ne sont pas des erreurs aléatoires, mais des conséquences prévisibles de la rédaction de notes pour la communication clinique plutôt que pour l’extraction de données structurées.

Diagnostics intégrés dans un langage d’atténuation. Lorsqu’un vétérinaire écrit « Je suspecte que nous avons affaire à une otite à un stade précoce », le diagnostic est présent mais enfoui dans une atténuation épistémique. Les outils automatisés manquent fréquemment ou classent mal les diagnostics exprimés de cette manière. Le système de codage ne peut pas déterminer de manière fiable s’il s’agit d’une condition suspectée qui justifie un code ou d’une remarque spéculative qui n’en justifie pas.

Abréviations et raccourcis propres à la pratique. Des termes comme « oreille bilat. », « PU/PD query Cushing’s » ou « ?MICI » sont immédiatement compréhensibles pour un collègue de la même structure, mais sont interprétés de manière incohérente d’un système de codage à l’autre. La recherche sur le NLP appliqué aux dossiers vétérinaires a révélé que la terminologie non normalisée est l’un des obstacles les plus persistants à une extraction automatisée fiable, en particulier lors de la mise en correspondance des données de prescription et des descriptions cliniques avec des conditions spécifiques à grande échelle.

Diagnostics différentiels enregistrés comme conclusions. Lorsqu’un vétérinaire énumère des diagnostics à exclure, « DDx : hypothyroïdie, Cushing, diabète », sans indiquer de diagnostic de travail confirmé, les outils de codage se retrouvent sans point final codable. Les différentiels peuvent être cliniquement appropriés, mais ils ne donnent au système rien sur quoi ancrer un code.

Procédures décrites de manière narrative. « A jeté un coup d’œil rapide à la peau et tondu la zone » n’apparaît pas comme un code de procédure distinct. Les actions procédurales intégrées dans une prose descriptive sont régulièrement manquées par les systèmes automatisés qui recherchent des signaux de procédure reconnaissables plutôt que des récits narratifs de ce qui s’est passé pendant la consultation.

Hypothèses sur l’espèce et la race. Lorsque le signalement du patient (espèce, race, âge, sexe) n’est pas répété ou mentionné dans le corps de la note, les outils automatisés peuvent appliquer des codes conçus pour un contexte d’espèce différent. Si le système de codage lit une note isolément du dossier du patient, l’absence de contexte d’espèce peut entraîner des codes mal appliqués ou ambigus.

Négation et contexte historique mélangés avec des résultats actifs. « Pas de vomissements, bien que le propriétaire signale que c’était un problème l’année dernière » est une construction courante et cliniquement logique, mais elle peut provoquer un codage faussement positif des vomissements comme condition actuelle. Les premiers travaux sur les performances de recherche en texte libre dans les dossiers vétérinaires ont établi que la sensibilité de recherche pour les diagnostics dans les notes non structurées variait de 33 % à 98 %, et la valeur prédictive positive de 2 % à 74 %, selon la condition et la stratégie de recherche utilisée. Une telle amplitude rend les données agrégées peu fiables sans examen manuel significatif. Le traitement de la négation reste l’un des problèmes techniquement les plus complexes du NLP clinique.

Pourquoi le langage d’atténuation est particulièrement problématique pour la précision du codage

L’incertitude clinique n’est pas un échec de documentation. C’est une partie légitime et importante du raisonnement vétérinaire. Le problème est que le langage utilisé pour exprimer l’incertitude dans les notes en texte libre efface une distinction que les systèmes de codage doivent préserver.

Il existe une différence significative entre :

• Une condition suspectée qui devrait générer un code « suspecté » ou « à confirmer »

• Une condition activement exclue qui ne devrait pas être codée du tout

• Une condition mentionnée uniquement comme contexte historique

Dans une prose en texte libre, les trois peuvent apparaître dans des constructions presque identiques. « Query Cushing’s », « ruling out Cushing’s » et « le propriétaire a mentionné que Cushing’s avait été évoqué par un vétérinaire précédent » peuvent sembler superficiellement similaires à un modèle NLP, mais ils ont des implications de codage totalement différentes. La recherche sur la précision du codage automatisé a révélé que les taux de précision peuvent chuter jusqu’à 60 % dans les tâches de codage en texte libre difficiles, en partie parce que l’atténuation, la négation et l’ambiguïté contextuelle restent difficiles à résoudre informatiquement.

Le problème sous-jacent est que les vétérinaires sont formés pour documenter leur processus de raisonnement, y compris l’incertitude, sous forme narrative. Les systèmes de codage sont conçus pour extraire des conclusions. Lorsque la note contient un raisonnement plutôt que des conclusions, le système dispose de peu de matière exploitable.

Pourquoi les omissions sont souvent plus dommageables que les erreurs

Un dossier mal codé est un problème, mais un dossier omis est invisible. Lorsqu’une condition ou une procédure n’est pas du tout capturée, il n’y a pas de signal d’alerte, pas d’anomalie et pas d’invitation à l’examen. L’absence devient simplement partie des données.

Cette invisibilité a de réelles conséquences :

• Lacunes dans les données de santé de la population. Les études d’exploration de texte sur la surveillance du syndrome entérique des animaux de compagnie ont démontré que les dossiers non structurés nécessitent un effort informatique important pour extraire même des décomptes de cas de base. Sans codage systématique, l’identification des cas pour les études de prévalence et d’incidence est fondamentalement peu fiable.

• Déclencheurs de rappel manqués. Dans les systèmes de gestion de cabinet, les alertes automatisées pour le suivi, la vaccination ou la distribution répétée dépendent souvent de dossiers codés. Les dossiers codés permettent des alertes automatisées que les dossiers en texte libre ne peuvent pas déclencher de façon fiable.

• Rapports de pratique inexacts. L’audit clinique en pratique vétérinaire s’est avéré difficile rétrospectivement en raison d’obstacles à l’établissement du diagnostic à partir des dossiers cliniques, l’absence de codage cohérent étant identifiée comme un obstacle principal.

• Surveillance des maladies faussée. Les programmes de surveillance nationaux tels que SAVSNET (Small Animal Veterinary Surveillance Network) et VetCompass dépendent de la qualité des données provenant des pratiques individuelles. Lorsque les conditions ne sont pas codées, les schémas de maladie apparaissent moins répandus qu’ils ne le sont. Cette distorsion a des implications pour les rapports de gestion de l’utilisation des antimicrobiens et la surveillance des maladies émergentes.

Une étude utilisant des modèles de gradient boosting pour l’identification de cas à partir de dossiers vétérinaires en texte libre a révélé que les outils NLP pouvaient atteindre une grande précision pour des conditions spécifiques et bien définies, mais seulement après un nettoyage de données approfondi, une correction orthographique vétérinaire personnalisée et une formation sur des dossiers annotés manuellement. La charge informatique nécessaire pour compenser les notes non structurées est substantielle.

Les changements structurels de note qui rendent les dossiers plus fiablement codables

Les ajustements qui améliorent la codabilité ne nécessitent pas un changement fondamental dans la façon dont les vétérinaires pensent ou raisonnent. Ils demandent de petits changements cohérents dans la manière dont les conclusions cliniques sont présentées dans le dossier écrit. La plupart peuvent être mis en œuvre sans ajouter de temps significatif à une consultation.

Énoncer explicitement un diagnostic de travail. Même en cas d’incertitude, une phrase cohérente telle que « Diagnostic de travail : otite externe » donne au système de codage un signal non ambigu. L’incertitude peut toujours être documentée dans le corps narratif, mais le point final codable doit être visible.

Séparer les résultats actifs du contexte historique et des différentiels exclus. Une simple distinction structurelle, par exemple regrouper les problèmes actifs séparément de « l’historique » ou du « contexte », réduit le risque que les conditions historiques soient codées comme actuelles. Les différentiels exclus doivent être étiquetés comme tels plutôt que listés aux côtés du diagnostic de travail.

Utiliser une terminologie cohérente pour les conditions courantes. Alterner entre « infection de l’oreille », « otite », « oreille bilatérale » et « inflammation auriculaire » lors de différentes consultations crée une incohérence qui s’aggrave au fil du temps dans les données au niveau de la pratique. S’accorder sur un terme préféré pour les conditions fréquemment rencontrées, même de manière informelle, améliore à la fois la fiabilité du codage manuel et automatisé.

Enregistrer les procédures comme des actions distinctes. « Cytologie effectuée, prélèvement auriculaire, oreille droite » est codable. « A jeté un coup d’œil et a pris un prélèvement pendant que le propriétaire le tenait » ne l’est pas. La distinction ne porte pas sur la formalité, mais sur le fait de donner au dossier un signal procédural reconnaissable.

Inclure le contexte spécifique à l’espèce lorsque la note peut être lue indépendamment. Ceci est particulièrement pertinent pour les pratiques utilisant des systèmes où les notes peuvent être extraites, partagées ou traitées en dehors du dossier du patient, par exemple dans les résumés d’adressage ou les ensembles de données de surveillance.

Où les modèles structurés et les assistants IA peuvent aider, et où ils ne le peuvent pas

Pour un aperçu plus large des outils de documentation IA pour les vétérinaires et de ce qu’il faut évaluer avant de les adopter, consultez notre guide dédié. Les modèles structurés abordent directement le problème de codabilité en remplaçant les champs narratifs ouverts par des champs discrets et obligatoires : espèce, motif de consultation, diagnostic de travail, procédures effectuées. La recherche a démontré que les grands modèles de langage formés sur de grands volumes de données curées et codées manuellement peuvent obtenir des améliorations significatives dans le codage automatisé des diagnostics, mais la qualité des données de formation sous-jacentes et la qualité des notes entrantes restent le plafond de performance.

Les assistants médicaux IA qui génèrent des notes structurées à partir de l’audio de consultation peuvent réduire la charge de la rédaction manuelle de notes et améliorer la cohérence, mais ils font face aux mêmes ambiguïtés qui affectent les codeurs manuels. Si un vétérinaire exprime un diagnostic verbalement avec un langage d’atténuation, l’assistant transcrira cette atténuation. Si une procédure est décrite de manière narrative plutôt que nommée, l’assistant peut ne pas la présenter comme une action codable distincte.

Les modèles, quant à eux, réduisent la liberté narrative et peuvent sembler contraignants dans des environnements cliniques au rythme soutenu. La recherche sur le NLP vétérinaire identifie systématiquement la variation du style d’écriture entre les cliniques comme un défi majeur pour la généralisation du modèle. Cela signifie que même les systèmes automatisés bien entraînés peuvent fonctionner différemment d’une pratique à l’autre selon la cohérence avec laquelle les modèles sont utilisés. Aucun outil n’élimine le problème. Les deux sont limités par la qualité de la note à partir de laquelle ils travaillent.

À quoi ressemble un codage fiable en pratique

L’exemple suivant illustre la même rencontre clinique écrite de deux manières. Le contenu clinique est identique. La codabilité ne l’est pas.

Version typique en texte libre :

« Bella est venue avec son propriétaire qui s’inquiétait pour ses oreilles. Elle s’est beaucoup grattée et a secoué la tête. À l’examen, l’oreille droite semblait assez enflammée et il y avait un écoulement sombre. Cela pourrait être une levure, cela pourrait être bactérien, difficile à dire à ce stade. L’oreille gauche semblait correcte. A nettoyé l’oreille droite et a pris un prélèvement. L’a mise sous Surolan pour le moment et on verra comment elle s’en sort. Le propriétaire doit revenir dans deux semaines si aucune amélioration. »

À partir de cette note, un système de codage automatisé fait face à plusieurs défis : le diagnostic est implicite mais non énoncé, la procédure (« a nettoyé l’oreille droite et a pris un prélèvement ») est intégrée dans le récit, la latéralité est présente mais non structurée, et la justification du traitement est exprimée comme une incertitude plutôt qu’une décision clinique.

Version structurellement ajustée :

« Motif de consultation : secouement de tête et prurit, oreille droite.
Résultats actifs : otite externe droite, érythème, écoulement cérumineux sombre. Oreille gauche RAS.
Diagnostic de travail : otite externe droite, probablement levure (Malassezia), composante bactérienne non exclue.
Procédures : cytologie de l’oreille droite (prélèvement effectué), rinçage de l’oreille droite effectué.
Traitement : Surolan otique, 5 gouttes oreille droite BID x 14 jours.
Suivi : contrôle dans 2 semaines en l’absence d’amélioration. »

Dans la deuxième version, le diagnostic de travail est explicite et codable. La procédure est nommée et latéralisée. Le différentiel est reconnu sans être enregistré comme un diagnostic confirmé. Le traitement est lié à un produit nommé et à une action distincte. Chaque élément dont le système de codage a besoin est présent et non ambigu, sans aucune perte d’information clinique.

Pourquoi cela compte au-delà de la consultation individuelle

La qualité d’un compte rendu de consultation individuel a des conséquences qui s’étendent bien au-delà de la rencontre elle-même. Au niveau de la pratique, un codage peu fiable signifie que les rapports sur la charge de cas, la prévalence des maladies et les résultats du traitement sont construits sur des données incomplètes. Au niveau national, les programmes de surveillance des maladies qui s’appuient sur les dossiers cliniques vétérinaires, y compris la surveillance de la gestion des antimicrobiens et le suivi des maladies zoonotiques, ne sont aussi précis que les dossiers qui les alimentent.

La recherche épidémiologique utilisant des dossiers équins en texte libre a démontré à la fois le potentiel et les limites de cette source de données : l’exploration de texte peut faire ressortir des associations de facteurs de risque significatives, mais les auteurs notent que l’approche « nécessite un changement conceptuel dans le diagnostic de la maladie qui devrait être soigneusement considéré ». Ce changement conceptuel commence par la façon dont les vétérinaires individuels rédigent leurs notes.

La viabilité à long terme de l’aide à la décision médicale assistée par IA en médecine vétérinaire dépend également de cette fondation. Les modèles entraînés sur des données vétérinaires codées et structurées peuvent soutenir le diagnostic, signaler les interactions médicamenteuses et identifier les populations à risque. Les modèles formés sur des dossiers en texte libre rédigés de façon incohérente, sans codage fiable, se heurtent à d’importants défis de généralisation qui limitent leur utilité clinique. Un codage fiable dépend de dossiers fiables. Des dossiers fiables, en pratique vétérinaire, commencent par les choix que font les vétérinaires dans leur rédaction.

Questions fréquemment posées

▶ Pourquoi les notes vétérinaires en texte libre provoquent-elles des échecs de codage médical ?

Les comptes rendus de consultation en texte libre sont rédigés pour la communication clinique, non pour l’extraction de données. Les systèmes de codage automatisés ont besoin de points finaux codables non ambigus, mais les notes vétérinaires contiennent souvent un langage d’atténuation, des raccourcis propres à la pratique et des descriptions narratives de procédures. Ces habitudes rendent difficile pour les systèmes de codage d’identifier un diagnostic confirmé, de distinguer les résultats actifs des résultats historiques ou de faire ressortir des codes de procédure distincts.

▶ Quels cadres de codage les pratiques vétérinaires utilisent-elles ?

Les cadres les plus largement utilisés en médecine vétérinaire sont VeNom (la nomenclature vétérinaire) et SNOMED CT (Systematized Nomenclature of Medicine Clinical Terms). Les deux convertissent les récits cliniques en concepts standardisés et structurés couvrant les diagnostics, les espèces, les systèmes corporels et les procédures. Contrairement aux soins de santé humains, la plupart des dossiers vétérinaires sont en texte libre sans codage de diagnostic standard, ce qui place tout le poids de la codabilité sur la note elle-même.

▶ Quelles habitudes d’écriture spécifiques entravent le plus souvent le codage automatisé ?

Plusieurs schémas provoquent systématiquement des échecs de codage. Les diagnostics enfouis dans un langage d’atténuation, tels que « Je suspecte que nous avons affaire à une otite à un stade précoce », sont fréquemment manqués ou mal classés. Les abréviations et les raccourcis propres à la pratique sont interprétés de manière incohérente d’un système à l’autre. Les diagnostics différentiels énumérés sans diagnostic de travail confirmé laissent les outils de codage sans ancrage. Les procédures décrites de manière narrative plutôt que nommées comme des actions distinctes sont régulièrement omises. La négation et le contexte historique mélangés avec des résultats actifs peuvent également générer des codes faussement positifs pour des conditions qui ne sont pas actuelles.

▶ Comment le langage d’atténuation affecte-t-il la précision du codage ?

Le langage d’atténuation efface les distinctions que les systèmes de codage doivent préserver. Une condition suspectée, une condition activement exclue et une condition mentionnée uniquement comme contexte historique peuvent toutes apparaître dans des constructions presque identiques dans une prose en texte libre. La recherche sur la précision du codage automatisé a révélé que les taux de précision peuvent chuter jusqu’à 60 % dans les tâches de codage en texte libre difficiles, en partie parce que l’atténuation, la négation et l’ambiguïté contextuelle restent difficiles à résoudre informatiquement.

▶ Pourquoi les omissions du codage médical sont-elles plus dommageables que les erreurs ?

Un dossier mal codé existe au moins dans les données et peut être signalé pour examen. Un dossier omis est invisible. Lorsqu’une condition ou une procédure n’est pas du tout capturée, il n’y a pas d’anomalie et pas d’invitation à la correction. Cette invisibilité affecte les données de santé de la population, les déclencheurs de rappel automatisés, les rapports au niveau de la pratique et les programmes nationaux de surveillance des maladies tels que SAVSNET et VetCompass, qui dépendent tous de dossiers codés provenant des pratiques individuelles.

▶ Quels changements pratiques rendent les notes vétérinaires plus fiablement codables ?

De petits changements cohérents dans la manière dont les conclusions cliniques sont présentées peuvent améliorer considérablement la codabilité. Énoncer explicitement un diagnostic de travail, même en cas d’incertitude, donne aux systèmes de codage un signal non ambigu. Séparer les résultats actifs du contexte historique et des différentiels exclus réduit le codage faussement positif. Utiliser une terminologie cohérente pour les conditions courantes, enregistrer les procédures comme des actions nommées distinctes et inclure le contexte spécifique à l’espèce lorsque les notes peuvent être lues indépendamment, sont autant de pratiques qui aident sans ajouter de temps significatif à une consultation.

▶ Les assistants médicaux IA ou les modèles structurés peuvent-ils résoudre le problème de codage ?

Les deux outils peuvent aider, mais aucun n’élimine le problème. Les modèles structurés remplacent les champs narratifs ouverts par des champs obligatoires distincts, ce qui améliore directement la codabilité. Les assistants médicaux IA qui génèrent des notes structurées à partir de l’audio de consultation peuvent améliorer la cohérence, mais ils font face aux mêmes ambiguïtés que les codeurs manuels. Si un vétérinaire exprime un diagnostic verbalement avec un langage d’atténuation, l’assistant transcrira cette atténuation. La qualité de la note reste le plafond de performance du codage, quel que soit l’outil.

▶ Comment le codage vétérinaire peu fiable affecte-t-il la surveillance des maladies ?

Les programmes de surveillance nationaux qui s’appuient sur les dossiers cliniques vétérinaires, y compris la surveillance de la gestion des antimicrobiens et le suivi des maladies zoonotiques, ne sont aussi précis que les dossiers qui les alimentent. Lorsque les conditions ne sont pas codées, les schémas de maladie apparaissent moins répandus qu’ils ne le sont. Les études d’exploration de texte sur la surveillance du syndrome entérique des animaux de compagnie ont démontré que sans codage systématique, l’identification des cas pour les études de prévalence et d’incidence est fondamentalement peu fiable.

▶ À quoi ressemble une note vétérinaire fiablement codable par rapport à une note typique en texte libre ?

Le contenu clinique peut être identique, mais la structure fait la différence. Une note typique en texte libre peut impliquer un diagnostic, intégrer des procédures dans le récit et exprimer la justification du traitement comme une incertitude. Une note structurellement ajustée énonce explicitement le diagnostic de travail, nomme et latéralise les procédures comme des actions distinctes, étiquette les différentiels séparément des résultats confirmés et lie le traitement à un produit et une action nommés. Chaque élément dont le système de codage a besoin est présent et non ambigu, sans aucune perte d’information clinique.