评估自然语言处理包,从临床笔记中预测医院获得的压力损伤
Siyi Gu1, Eric W Lee, Wenhui Zhang
1Author Affiliations: Department of Computer Science, Center for Data Science (Ms Gu, Mr Lee, and Dr Ho), and Nell Hodgson Woodruff School of Nursing (Drs Zhang, Simpson, and Hertzberg), Emory University, Atlanta, GA.
非结构化的护理笔记可以预测医院获得的压力损伤. 自然语言处理,专门命名为实体识别,有效地从这些笔记中提取关键词,以获得准确的预测模型.
科学领域:
- 医疗信息学 医疗信息学
- 临床护理 临床护理
- 自然语言处理自然语言处理.
背景情况:
- 医院获得的压力损伤 (HAPI) 是护理质量的重要指标,与不良结果,延长住院时间和医疗费用增加有关.
- 目前的预测模型主要依赖于结构化的患者数据,经常忽视非结构化的临床笔记中的有价值的见解.
- 准确预测HAPI对于改善患者护理和减少医疗保健系统的经济负担至关重要.
研究的目的:
- 调查使用非结构化护理笔记来预测医院获得的压力损伤的有效性.
- 评估不同自然语言处理 (NLP) 技术的性能,特别是名为实体识别 (NER),从临床文本中提取预测特征.
- 为了比较使用所有临床笔记与仅使用护理笔记对预测模型准确性的影响.
主要方法:
- 使用了密集护理III (MIMIC-III) 数据库的医疗信息中心,这是一个公开可用的ICU数据集.
- 雇员命名实体识别 (NER) 使用scispaCy和StanzaNLP包从非结构化的临床笔记中识别突出的关键词.
- 开发并比较基于提取的关键词的HAPI预测模型,通过比较所有笔记与护理笔记来评估词汇大小的影响.
主要成果:
- 从护理笔记中提取命名实体识别证明了创造准确HAPI预测模型的潜力.
- 从非结构化的护理笔记中提取的关键词被发现是医院获得压力损伤的重要预测因素.
- 该研究证实,护理笔记本身就包含了足够的信息来有效预测HAPI.
结论:
- 非结构化的护理笔记是预测医院获得的压力损伤的宝贵数据来源.
- 在护理笔记中,NLP技术,特别是NER技术,可以有效地识别关键的预测特征.
- 在预测模型中利用护理笔记提供了一种有希望的方法来提高患者安全并减少HAPI发生率.
更多相关视频
03:14Augmenting Large Language Models via Vector Embeddings to Improve Domain-Specific Responsiveness
Published on: December 6, 2024
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
相关概念视频
Pre-Procedural Guidelines for Assessing Blood Pressure
Errors occurring during blood pressure monitoring
Several factors...
Sensitivity, Specificity, and Predicted Value
Sensitivity is the...
Assessing Blood pressure in the Leg
Preparation:
Methods of Documentation III: PIE
Documentation of Nursing Diagnosis
In some settings, data-driven computerized decision support systems are in place, allowing for more accurate nursing diagnoses. The database within one of these systems includes diagnostic labels defining characteristics, activities, and indicators for nursing. A nurse enters...
