使用自然语言处理增强压力损伤监控

科学领域:

• 医疗信息学 医疗信息学
• 临床护理 临床护理
• 自然语言处理自然语言处理.

背景情况:

• 医院获得的压力损伤 (HAPI) 是患者护理的一个重要问题.
• 准确识别和报告HAPI对于提高质量和患者安全至关重要.
• 传统方法可能会低于报告HAPI事件,需要创新的监控方法.

研究的目的:

• 评估使用护士交付笔记来识别报告不足的医院获得压力损伤 (HAPI) 事件的可行性.
• 开发和验证自然语言处理 (NLP) 系统,用于在儿科护理中检测HAPI.

主要方法:

• 为从护理笔记中提取数据,建立了一个自然语言处理辅助的手动审查过程.
• 开发和比较了多种模型,包括三克分类器,物流回归和随机森林模型.
• 最终的模型在来自住院和重症监护病房的大量护理笔记上进行了训练和验证.

主要成果:

• 随机森林模型在识别可能的HAPI事件方面表现出高灵敏度 (95%) 和良好的准确性 (78.7%).
• 总共有264个说明表明潜在的HAPI被确定,代表每1000次排放中有11.9次的发生率.
• 对于HAPI识别的分类者间一致性很高 (κ = 0.67).

结论:

• 基于自然语言处理的监控,使用护士交付笔记是识别HAPI的可行和高收益的方法.
• 这种方法可以提高HAPI报告的准确性,并支持患者安全倡议.
• 该研究强调了NLP在加强对不良事件的临床监测方面的潜力.