使用手术笔记在卵巢癌细胞削减手术中的RoBERTa辅助结果预测

科学领域:

• 在瘤学瘤学.
• 医疗信息学 医疗信息学
• 计算生物学 计算生物学

背景情况:

• 传统的外科手术风险因素在预测晚期上皮卵巢癌 (EOC) 的结果方面存在局限性.
• 操作笔记包含有价值的非结构化数据,这些数据往往未得到充分利用.
• 在EOC患者管理中,准确预测细胞削减术后的残留疾病至关重要.

研究的目的:

• 评估非结构化操作笔记的自然语言处理 (NLP) 是否可以提高晚期EOC患者残留疾病的预测.
• 为了比较NLP衍生特征与传统临床预测器的性能.

主要方法:

• 分析了一组555例经过细胞削减手术的晚期EOC病例.
• 术语频率-反向文档频率 (TF-IDF) 和基于RoBERTa的NLP模型被用于处理非结构化的外科笔记.
• 一个XGBoost模型整合了NLP衍生的概率与离散的临床特征用于预测分析.

主要成果:

• 在预测残留疾病方面,NLP模型,特别是RoBERTa,表现出高性能 (AUROC .86,AUPRC .87).
• 发现的关键歧视因素包括"坚持"和"miliary疾病"等术语.
• 将NLP见解与传统预测因素相结合,产生了微不足道的改善 (AUROC/AUPRC .91).

结论:

• NLP提供了一种强大的,独一无二的方法,可以从非结构化的手术文本中提取可操作的信息.
• 这种方法优于仅依靠传统结构化数据进行EOC残留疾病预测的模型.
• 先进的NLP应用具有显著的潜力,可以改善EOC患者的护理.