在意大利,从未编码的急诊室入院记录进行儿科伤害监测:基于机器学习的文本挖掘方法
Danila Azzolina1, Silvia Bressan2, Giulia Lorenzoni3
1Department of Environmental and Preventive Sciences, University of Ferrara, Ferrara, Italy.
JMIR public health and surveillance
|July 12, 2023
概括
机器学习技术 (MLT) 可以自动分类儿科急诊诊断,改善伤害监测. 这种方法提高了伤害病例的识别,并减少了卫生专业人员手动编码的努力.
科学领域:
- 儿科急诊医学 儿科急诊医学
- 公共卫生监督是对公共卫生的监督.
- 计算流行病学计算流行病学
背景情况:
- 意外伤害是幼儿死亡的主要原因.
- 急诊室 (ED) 的诊断对于伤害监测至关重要.
- ED数据经常使用自由文本,阻碍了有效的分析.
研究的目的:
- 开发一个自动化工具来对儿科ED诊断进行分类.
- 确定受伤病例并评估意大利帕多瓦的儿科受伤负担.
- 提高儿童伤害流行病学监测的效率.
主要方法:
- 利用了2007-2018年283,468例儿科住院的数据集.
- 训练有素的机器学习分类器 (SVM,GBM,随机森林) 在约4万个手动分类的诊断上.
- 诊断分为伤害与非伤害,故意与非故意伤害,以及非故意伤害的类型.
主要成果:
- 支持矢量机 (SVM) 在伤害与非伤害分类方面实现了94.14%的准确性.
- 渐变增强方法 (GBM) 显示了92%的准确性,用于故意与非故意的伤害分类.
- 在非故意伤害分类方面,SVM也表现最好.
结论:
- 机器学习技术 (MLT) 在自动化儿科ED诊断分类方面表现有前途.
- MLT通过提高准确性和减少手工工作量来加强流行病学监测.
- 开发的系统有助于有效识别和分类儿科伤害.
