利用自然语言处理来识别符合条件的肺癌查患者,使用电子病历
Siru Liu1, Allison B McCoy1, Melinda C Aldrich2
1Department of Biomedical Informatics, Vanderbilt University Medical Center, Nashville, TN, USA.
International journal of medical informatics
|July 1, 2023
概括
这项研究开发了一种自然语言处理 (NLP) 方法,使用电子健康记录来识别符合肺癌查 (LCS) 资格的患者. 该NLP方法显著增加了符合条件的患者的数量,包括黑人/非洲裔美国人的显著增加.
科学领域:
- 医疗信息学 医疗信息学
- 在瘤学瘤学.
- 自然语言处理自然语言处理.
背景情况:
- 肺癌查 (LCS) 的资格取决于准确的患者鉴定.
- 电子健康记录 (EHR) 包含结构化和非结构化数据,对于识别符合条件的患者至关重要.
- 目前仅使用结构化EHR数据的方法可能会错过符合条件的个人,可能会加剧医疗保健差异.
研究的目的:
- 开发和验证一种新的方法来识别符合LCS条件的患者.
- 为了提高准确性,将电子健康记录中的结构化和非结构化吸烟数据结合起来.
- 加强对符合LCS条件的患者的识别,特别是在代表性不足的人群中.
主要方法:
- 一个自然语言处理 (NLP) 工具被微调以从临床笔记中提取吸烟信息.
- 开发了一种方法,将NLP提取的数据与结构化的EHR吸烟数据集成在一起.
- 以NLP为基础的方法与仅使用结构化EHR数据来确定LCS资格的方法进行了比较.
- 验证是使用一组记录使用烟草的患者进行的.
主要成果:
- 基于NLP的方法实现了高性能,F1得分为0.909,准确度为0.96.
- 该方法确定了10,231名符合条件的患者,与仅使用结构化数据相比增加了73.8%.
- 通过NLP方法确定了589名黑人/非裔美国患者,增长了119%,解决了潜在的差异.
结论:
- 基于NLP的可行和有效的方法可以显著改善识别符合LCS条件的患者.
- 该方法为开发临床决策支持工具提供了技术基础,以提高LCS利用率.
- 这种方法有可能通过改善对不同患者群体的接触来减少医疗保健差异.
