通过使用NLP和基于规则的分析来自动评估患者的资格

科学领域:

• 临床信息学 临床信息学
• 医学自然语言处理 医学自然语言处理
• 健康 数据科学 数据科学

背景情况:

• 对临床试验的患者资格评估至关重要,但往往是手动和耗时的.
• 电子医疗记录 (EMR) 包含大量的数据,使得试验资格的手动审查具有挑战性.
• 临床试验中复杂的包含/排除标准需要有效的数据分析方法.

研究的目的:

• 开发和评估一种混合模型,用于在临床试验中自动化患者资格评估.
• 利用自然语言处理 (NLP) 和基于规则的系统来分析EMR试验适用性.
• 提高患者招募流程的效率和准确性.

主要方法:

• 提出了一个混合模型,集成基于规则的逻辑和自然语言处理 (NLP) 技术.
• 该模型旨在自动分析电子医疗记录 (EMR) 以确定患者的资格标准.
• 性能与纯粹基于规则和NLP相似性模型进行了比较.

主要成果:

• 与现有方法相比,混合模型在灵敏度和精度之间取得了更好的平衡.
• 对更大的数据集的验证证实了混合模型的有效性,达到87.3%的准确性.
• 自动化方法显著减少了资格选中的手工工作.

结论:

• 开发的混合模型为在临床试验中自动化患者资格评估提供了强大的解决方案.
• 这项技术有可能通过尽量减少手工流程,大幅提高患者招募效率.
• 使用NLP和基于规则的系统进行自动化的资格选可以简化临床试验操作.