消费者友好的健康文章的注释和信息提取,以加强实验室测试报告

科学领域:

• 自然语言处理自然语言处理.
• 医疗信息学 医疗信息学
• 患者教育 患者教育

背景情况:

• 患者门户的使用率很高,实验室结果查看是最常见的活动.
• 实验室结果往往会让患者感到困惑,妨碍理解和参与.
• 现有的研究为个人患者数据提供了有限的特定背景解释.

研究的目的:

• 评估基于变压器的语言模型,用于识别和分类实验室测试结果中的关键术语.
• 将已识别的术语映射到受控的术语中,以加强数据标准化.
• 在患者门户网站中为改进的,上下文化的实验室结果展示奠定基础.

主要方法:

• 收集并注释了251篇关于实验室测试的健康文章的解释.
• 在术语识别和打字方面评估了BioBERT,ClinicalBERT,RoBERTa和PubMedBERT.
• 利用BioPortal的术语搜索API将注释术语映射到SNOMED CT,LOINC和ICD-10-CM中.
• 使用严格和宽松匹配的F1分数来评估模型性能.

主要成果:

• 在识别关键术语方面,PubMedBERT表现最高 (F1评分).
• 在注释术语映射方面,SNOMED CT提供了最好的覆盖范围,其次是LOINC和ICD-10-CM.
• 该研究成功地识别和映射了与实验室测试相关的健康文章中的关键术语.

结论:

• 变压器模型,特别是PubMedBERT,在处理临床文本方面显示出重大前景.
• 像SNOMED CT这样的受控术语对于标准化和理解医疗术语至关重要.
• 这项研究可以开发以患者为中心的工具,以便更好地解释实验室结果.