增强型智能可以在不同的电子健康记录中进行概念映射

科学领域:

• 医疗信息学 医疗信息学
• 人工智能的人工智能
• 数据科学数据科学数据科学

背景情况:

• 随着人工智能,电子医疗记录 (EHR) 数据的二次使用正在增长.
• 在EHR系统中不一致的命名惯例阻碍了可扩展模型的开发.
• 本体统一至关重要,但劳动密集型,需要自动化解决方案.

研究的目的:

• 提出一种增强智能方法,用于自动化本体学对齐.
• 为了从原始EHR参数名称中预测正确的医学概念.
• 为了促进可扩展的模型开发和临床实施.

主要方法:

• 训练有素的机器学习模型使用手动映射的EHR参数名称从多中心荷兰ICU数据仓库.
• 使用自然语言工具包 (NLTK) 与WordNet同义词和TF-IDF用于预处理参数名称.
• 采用线性分类器与随机梯度下降和微调预测使用数据分布相似性和斜率.

主要成果:

• 实现了0.744的初始顶部1精度,0.771的召回,和0.737.7的F1得分.
• 离开一个医院的分析显示,前5名召回人数增加到0.905.
• 将训练数据缩小到相关参数时,第1个回忆率为0.811,第5个回忆率为0.914.

结论:

• 增强型智能为EHR数据中的概念映射提供了一个有希望的解决方案.
• 拟议的方法可稳定地映射跨领域的数据,帮助各种数据源集成.
• 由于不完美的召回率,手动验证仍然至关重要.