改善骨科手术的病例持续时间准确性,使用从放射学报告上的变压器 (BERT) 的双向编码器表示

科学领域:

• 医疗信息学 医疗信息学
• 人工智能在医学中的应用
• 临床数据分析 临床数据分析

背景情况:

• 手术室的低效率是由于计划和实际手术时间之间的差异造成的.
• 准确的外科手术时间预测对于优化调度和资源分配至关重要.

研究的目的:

• 使用自然语言处理 (NLP) 和机器学习来预测外科病例持续时间的概念验证.
• 对接受半径骨折修复的患者的放射学报告进行解释,以估计病例持续时间.

主要方法:

• 比较后勤回归,随机森林和feedforward神经网络,有和没有NLP (词袋).
• 利用feedforward神经网络与临床BERT,一个变压器模型预先训练在临床笔记,NLP.
• 通过70%的培训和30%的测试集评估了201个案例,并对根平均平方误差 (RMSE) 计算进行了10倍的交叉验证.

主要成果:

• 使用ClinicalBERT的feedforward神经网络实现了最低的平均RMSE (25.6分钟),明显超过了基线模型 (39.3分钟).
• 使用ClinicalBERT,准确预测手术病例的百分比 (实际持续时间的15%以内) 从26.8%增加到58.9%.
• 在所有初级比较中都观察到统计学意义 (P < 0.001).

结论:

• NLP和机器学习成功地从非结构化临床数据 (放射学报告) 中提取特征.
• 这种方法显著提高了外科病例持续时间预测的准确性.
• 这些发现支持了通过人工智能驱动的调度来提高手术室效率的潜力.