为了在电子诊断数据中实际使用文本挖掘方法

科学领域:

• 计算医学是一种计算医学.
• 医疗信息学 医疗信息学
• 神经学 神经学

背景情况:

• 医疗保健产生了大量的非结构化文本数据.
• 从这些数据中提取见解对于推进计算医学至关重要.
• 文本挖掘和统计方法可以释放有价值的临床信息.

研究的目的:

• 展示结合文本挖掘和统计方法,以获得神经和神经肌肉健康洞察力.
• 识别具有相似诊断属性的患者群.
• 检查患者群体之间的人口统计和过去病史差异.

主要方法:

• 对接受电诊断 (EDX) 评估的患者的回顾性研究 (2016年5月 - 2022年2月).
• 数据提取包括人口统计,测试结果和非结构化总结报告.
• 用主题建模 (隐性迪里克莱特分配) 和统计分析来分析临床印象,年龄,性别和过去的病史.

主要成果:

• 从临床笔记中确定了25个诊断主题.
• 在7个主题中发现了与性别相关的差异 (3个与男性相关,4个与女性相关).
• 发现了显著的年龄和性别差异在手臂病,肌痛性肌痛症和NMJ疾病.
• 在过去的病史关键词和诊断主题之间建立了关联 (例如,糖尿病与多神经病变,化疗与感官多神经病变).

结论:

• 文本挖掘和统计分析有效地从临床文本中提取见解.
• 这种方法加速了临床研究,并有助于制定决策过程.
• 确定了过去病史和神经/神经肌肉诊断之间的特定关联.