视觉敏度测量的自动识别在眼科临床笔记使用深度学习
Isaac A Bernstein1, Abigail Koornwinder1, Hannah H Hwang2
1Department of Ophthalmology, Byers Eye Institute, Stanford University, Palo Alto, California.
Ophthalmology science
|October 23, 2023
概括
深度学习模型从临床笔记中准确地提取视力敏度 (VA) 测量结果,从而提高了研究能力. 这些先进的模型优于在电子健康记录 (EHR) 中分析眼科检查数据的传统方法.
科学领域:
- 眼科和健康信息学 眼科和健康信息学
- 在医疗保健中的自然语言处理 (NLP)
背景情况:
- 视力敏度 (VA) 对于眼科检查至关重要,但在电子健康记录 (EHR) 中通常是无结构的.
- 从自由文本笔记中提取VA数据具有挑战性,阻碍了研究和队列特征.
研究的目的:
- 开发和评估深度学习模型,用于对VA测量的命名实体识别.
- 从自由文本眼科笔记中识别VA,横向性和校正状态.
- 改进现有的基于规则的VA数据提取算法.
主要方法:
- 使用了来自变压器 (BERT) 模型的双向编码器表示,包括BioBERT,ClinicalBERT,BlueBERT和DistilBERT.
- 精心调整的BERT模型基于大约9万名患者的319756份临床笔记数据集.
- 将BERT模型的性能与使用微平均精度,回忆和F1分数的基准基于规则的算法进行比较.
主要成果:
- BlueBERT获得了最高的微平均F1分数 (0.92),超过了其他BERT变体和基线.
- 临床BERT (0.91) 和蒸BERT (0.90) 也显示出强的表现.
- 常见的错误包括错误地将VA分类在考试部分之外,以及处理多个或非数字VA条目.
结论:
- 深度学习模型表现出高精度和回忆力,用于识别VA测量的自由文本眼科笔记.
- 这些模型比基于规则的方法提供了显著的性能改进.
- 自动VA提取增强了眼科患者队列特征和预测建模.
