Evaluación del procesamiento multimodal del lenguaje natural en la determinación de indicadores de seguridad...

Área de la Ciencia:

• Cirugía de la columna vertebral
• Aprendizaje automático
• Ciencia de los datos
• La informática médica

Sus antecedentes:

• Los modelos estándar de aprendizaje automático de cirugía de columna vertebral (ML) a menudo pasan por alto información valiosa en narrativas clínicas de texto libre no estructuradas, como notas quirúrgicas preoperatorias.
• Esta limitación dificulta el pleno potencial de ML en la predicción de los resultados de los pacientes.

Objetivo del estudio:

• Desarrollar y evaluar un modelo multimodal de aprendizaje automático que integre los datos estructurados de los registros electrónicos de salud (EHR) con las narraciones clínicas no estructuradas de las notas preoperatorias.
• Comparar el rendimiento predictivo de este modelo multimodal con los modelos que utilizan únicamente datos estructurados de EHR o únicamente texto procesado por PNL.

Principales métodos:

• El algoritmo XGBoost fue seleccionado para el desarrollo de modelos después de evaluar múltiples algoritmos ML.
• Se desarrollaron tres modelos: estructurado basado en EHR, basado en PNL (notas preoperatorias) y un modelo multimodal combinado.
• Se utilizaron técnicas de procesamiento del lenguaje natural (PNL), incluida la tokenización, el stemming y la vectorización de bolsas de palabras para los datos de texto. Los hiperparámetros fueron optimizados utilizando búsqueda de cuadrícula y validación cruzada de 10 veces.

Principales resultados:

• El modelo multimodal demostró un rendimiento superior en la predicción de la duración de la estancia prolongada (ROC-AUC: 0,908) y el alta no domiciliaria (ROC-AUC: 0,920).
• El modelo solo de PNL también mostró fuertes capacidades predictivas, superando al modelo estructurado solo de EHR para ambos resultados.
• La IA explicable identificó características predictivas clave que incluyen índice de masa corporal, edad, estado de seguro, índice de comorbilidad, etnia, antecedentes quirúrgicos y niveles quirúrgicos.

Conclusiones:

• La integración de notas quirúrgicas no estructuradas mejora significativamente la precisión predictiva de los modelos ML en cirugía espinal.
• Las narrativas clínicas de texto libre ofrecen una mayor utilidad predictiva para los resultados perioperatorios que las variables EHR estructuradas tradicionales solas.