从患者出院摘要中提取第一次发作的时间表达

科学领域:

• 医疗信息学 医疗信息学
• 神经学 神经学
• 自然语言处理自然语言处理.

背景情况:

• 早期发作是中突然意外死亡 (SUDEP) 的危险因素.
• 第一次发作的数据通常嵌入监测单元 (EMU) 退院摘要中的临床叙述中.
• 手动提取这些时间信息是耗时和劳动密集的.

研究的目的:

• 开发和评估一种自动化自然语言处理 (NLP) 管道,用于从EMU免责声明中提取第一次发作的时间信息.
• 提高研究数据收集的效率,特别是关于SUDEP风险因素.

主要方法:

• 基于规则的NLP管道是使用和形学 (EpSO) 作为知识资源构建的.
• 四个提取规则是使用300份经济和货币联盟 (EMU) 核准摘要开发和完善的.
• 管道的有效性在200个看不见的排放总结上得到验证,结果与专家手册评估进行了比较.

主要成果:

• 自动提取管道实现了0.75的精度,0.651的召回,以及0.697.7的F1得分.
• 这些结果表明,从临床叙述中提取自动时间信息的准确度有希望.
• 管道为手动数据提取提供了一个有效的替代方案.

结论:

• 开发的基于规则的NLP管道展示了一种可行的和令人鼓舞的方法,可以自动从EMU放电摘要中提取第一次发作的时间数据.
• 这种自动化方法可以促进患者数据的大规模分析,从而有可能更好地了解SUDEP风险因素.
• 进一步的研究可以基于这些发现来改进NLP模型,以提高准确性和更广泛的临床应用.