在检测和预测中使用自然语言处理属于医疗保健环境:系统审查

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 临床数据分析 临床数据分析

背景情况:

• 医疗保健机构的倒导致患者的严重发病率,死亡率和经济负担.
• 目前的防摔策略依赖于传统方法,如风险评估和事件报告.
• 自动检测和预测跌倒对于提高患者安全和医疗保健效率至关重要.

研究的目的:

• 审查应用自然语言处理 (NLP) 用于医疗保健中的自动摔倒检测和预测的研究.
• 分析在已识别的研究中使用的NLP方法和模型.
• 发现当前研究中的差距,特别是关于NLP模型对患者和系统结果的影响.

主要方法:

• 从2012年到2023年4月,在多个数据库 (Ovid Medline,Embase,Emcare,PubMed,CINAHL,IEEE Xplore,Ei Compendex) 中进行了系统的文献搜索.
• 包括的研究重点是追溯推导,验证和实施NLP用于医疗保健环境中的跌倒检测/预测.
• 对26项选定的研究进行了定性分析,检查了NLP管道和各种建模方法 (基于规则的,ML,DL,混合).

主要成果:

• 在识别跌倒风险因素,检测过去的跌倒,预测未来的跌倒和分层跌倒严重程度方面,NLP技术取得了合理的成功.
• 多种NLP方法,包括机器学习和深度学习,都得到了不同程度的成功.
• 审查发现了越来越多的关于跌倒预测的文献,但缺乏评估真实世界对患者和系统结果的影响的研究.

结论:

• 在医疗保健中,NLP在提高自动摔倒检测和预测方面显示出相当大的前景.
• 缺乏评估这些NLP模型对患者和系统结果的真实影响的研究,需要进一步的实施研究.
• 开发高性能NLP模型可以在临床环境中显著提升自动摔倒预防和管理.