基于Human-in-the-Loop深度学习的基于Web的应用程序,用于识别电子医疗记录中的自由文本数据:开发和可用性研究
Leibo Liu1, Oscar Perez-Concha1, Anthony Nguyen2
1Centre for Big Data Research in Health, University of New South Wales, Sydney, Australia.
Interactive journal of medical research
|August 25, 2023
概括
本研究介绍了DEFT,这是一个基于网络的系统,用于消除电子医疗记录文本的识别. 通过准确地删除个人识别信息 (PII),DEFT增强了隐私,并提高了研究数据的可用性.
科学领域:
- 医疗信息学 医疗信息学
- 医疗数据 隐私 医疗数据 隐私
- 自然语言处理自然语言处理.
背景情况:
- 电子病历 (EMR) 包含有价值的临床数据用于研究.
- 为了保护患者的隐私,需要在EMR自由文本中将个人可识别信息 (PII) 进行非识别.
- 手动去识别是低效的,推动了对自动化解决方案的需求.
研究的目的:
- 开发一个准确的,用户友好的,基于Web的系统来消除EMR自由文本的识别,命名为DEFT.
- 通过诸如交互式学习和协作等功能,在现实环境中增强采用.
- 促进临床数据的二次使用,同时保持患者的隐私.
主要方法:
- DEFT使用了双向长期短期记忆条件随机场 (BiLSTM-CRF) 深度学习模型,并嵌入了RoBERTa.
- 带有预注释的交互式学习循环加速了手动识别.
- 该系统支持项目管理,可定制的PII类型和用户访问控制.
主要成果:
- 在2014年i2b2数据集中,DEFT取得了卓越的表现,微平均F1得分为0.9627.
- 在临床笔记上的现实应用产生了0.9507.7的微平均F1分数.
- 预注释将手动注释的效率提高了43%.
结论:
- DEFT为研究人员和数据保管人提供了一种可访问的解决方案,用于对EMR自由文本进行识别.
- 该系统的交互式学习循环和用户友好的界面降低了去识别任务的技术障碍.
- DEFT促进了对临床叙述数据的安全和有效利用.
