一个集成的语音识别和自然语言处理平台,自动从放射学报告中提取胸腔椎损伤分类得分特征
Archis R Bhandarkar1, Chiduziem Onyedimma2, Ryan M Jarrah2
1Department of Neurologic Surgery, Mayo Clinic, Rochester, Minnesota, USA; Department of Quantitative Health Sciences, Mayo Clinic, Rochester, Minnesota, USA.
World neurosurgery
|December 16, 2023
概括
这项研究开发了一种自然语言处理 (NLP) 模型,自动从脊柱放射学报告中提取胸脊柱损伤分类得分 (TLICS) 特性,提高临床工作流程效率.
科学领域:
- 脊柱手术研究结果研究结果
- 医疗信息学医学信息学
- 自然语言处理 (NLP) 是一种自然语言处理.
背景情况:
- 脊柱手术结果的预测模型存在,但受限于手动数据抽象.
- 自动化数据提取等得分,如胸脊柱损伤分类得分 (TLICS) 对于临床实施至关重要.
研究的目的:
- 设计和验证NLP算法,从脊椎放射学报告中自动抽取TLICS预测者的数据.
主要方法:
- 从梅奥诊所 (2005-2020年) 获取了1085份脊柱放射学报告.
- 使用机器学习训练了一个N-gram NLP模型 (随机森林,LDA,k-NN,惩罚后勤回归).
- 评估了骨折形态和后带复合体完整性检测的模型准确性.
主要成果:
- 随机森林模型在骨折形态方面达到76.96%的准确率,在后部带复合体完整性方面达到83.41%.
- 在准确性方面,与其他机器学习模型相比较有利.
- 该模型被部署在一个用于自动TLICS特征提取的Web应用程序中.
结论:
- 开发和部署了一种机器学习NLP模型,用于从放射学报告中提取TLICS特征.
- 该模型可以集成到临床实践中,以简化数据抽象和提高效率.
