命名されたエンティティの認識の可能性と,放射線学,病理学,および臨床決定支援における進歩ノートに合わせた自然言語処理パイプラインの価値の探索:定量的な研究

科学分野:

• 自然言語処理
• 臨床情報学
• 生物医学データ科学

背景:

• 臨床ノートには構造化されていない患者データがあり,医学用語や曖昧さのために分析に課題があります.
• 臨床的意思決定支援ツールのためのリアルタイムのデータ抽出は,この非構造的な性質によって複雑です.
• 名付けられたエンティティ認識 (NER) は,臨床テキスト内の重要な患者情報を特定するために不可欠です.

研究 の 目的:

• 臨床ノートのための名付けられたエンティティ認識 (NER) パイプラインのデータキュレーション,技術,ワークフローを評価する.
• NERモデルとNERアサーションモデルの実績を評価し,臨床エンティティを特定し,分類する.
• 自然言語処理の強化により,臨床的意思決定支援ツールの正確性を向上させる.

主な方法:

• 5000人の患者の138,250人の臨床ノートでSpark NLPの臨床訓練を受けたNERモデルを使用しました.
• 診察の進捗,放射線,病理学的記録を集め, 様々なパフォーマンスメトリックを測定した.
• 評価されたNER精度とアサーションモデルの精度/リコール

主要な成果:

• 優れたNER精度を達成し,手順では0.989でピークに達し,断言モデルの精度は0.889でした.
• 債券の特徴とエンティティの密度で特定されたロングテール分布
• 放射線学と病理学のノートと比較して, 治療の進行に関するノートでは 組織密度が著しく高いことが示されました.

結論:

• 専門的なNERモデルとパイプラインセットアップは,異なる臨床ノートタイプに不可欠です.
• 退院の要約や精神科の評価などの様々な臨床ノートが含まれている必要があります.
• NLPのアプローチを調整することで,様々な臨床シナリオでパフォーマンスを向上させます.