利用自然语言处理改进电子健康记录 预测退伍军人自杀风险 卫生行政管理用户
Maxwell Levis1,2,3, Joshua Levy4, Kallisse R Dent5
1VAMC White River Junction, White River Junction, Vermont.
The Journal of clinical psychiatry
|June 21, 2023
概括
将非结构化的临床笔记与电子健康记录相结合,可显著改善自杀风险预测. 自然语言处理 (NLP) 模型提高了准确性和风险集中度,优于传统结构化数据模型.
科学领域:
- 医疗信息学 医疗信息学
- 临床数据科学 临床数据科学
- 医疗保健中的人工智能
背景情况:
- 自杀风险预测模型经常使用结构化电子健康记录 (EHR) 数据.
- 非结构化的EHR数据,就像临床笔记一样,可以为改善预测提供更丰富的见解.
- 这项研究评估了非结构化数据在自杀风险预测中的附加值.
研究的目的:
- 评估结合非结构化EHR数据的模型的预测准确度.
- 将NLP衍生的临床笔记模型与现有的结构化EHR模型进行比较.
- 为了确定非结构化数据在多大程度上改善了自杀风险预测值.
主要方法:
- 2017-2018年退伍军人卫生管理局 (VHA) 患者的一项匹配病例对照研究.
- 使用自然语言处理 (NLP) 来从临床笔记中提取信息.
- 将机器学习算法应用于NLP输出,并使用AUC和风险度评估预测准确度.
主要成果:
- 从NLP衍生的模型获得了19%的额外总体预测准确度 (AUC=0.69).
- 这些模型显示,最高风险患者 (前0.1%) 的风险度增加了6倍.
- 与单独结构化EHR模型相比,预测性能的显著改善.
结论:
- 与传统结构化模型相比,NLP补充的EHR模型提供了相当大的优势.
- 建议在未来的自杀风险模型中整合结构化和非结构化EHR数据.
- 这种方法提高了识别和支持高风险个人的能力.
更多相关视频
06:55Inverse Probability of Treatment Weighting Propensity Score using the Military Health System Data Repository and National Death Index
Published on: January 8, 2020
14.5K
03:14Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
Published on: December 6, 2024
632
