使用自由文本儿科医疗笔记监测耳炎的流行病学:深度学习方法
Corrado Lanera1, Giulia Lorenzoni1, Elisa Barbieri2
1Unit of Biostatistics, Epidemiology and Public Health, Department of Cardiac, Thoracic, Vascular Sciences and Public Health, University of Padova, 35131 Padova, Italy.
Journal of personalized medicine
|January 22, 2024
概括
深度学习模型从儿科电子健康记录中准确地分类耳炎类型,改善流行病学监测. 这种自动化系统在大规模数据分析中提高了医学诊断的准确性和效率.
科学领域:
- 医疗信息学 医疗信息学
- 医疗保健中的人工智能
- 流行病学 流行病学
背景情况:
- 医疗记录中的非结构化自由文本数据对流行病学监测提出了挑战.
- 对广泛的临床叙述进行手动分类是耗时的,容易出现人为错误.
研究的目的:
- 开发和评估一种深度学习模型,用于在儿科医疗记录中对耳炎进行分类.
- 评估模型的性能与专家临床诊断对比,以提高准确性和效率.
主要方法:
- 使用了包含儿科临床记录的Pedianet数据库 (2004年1月 - 2017年8月).
- 开发了深度学习架构,包括集合模型,以从叙事文本中对耳炎诊断进行分类.
- 由三个专家临床医生为模型评估建立了一个黄金标准分类.
主要成果:
- 集体深度学习模型实现了高性能指标:97.03%的平衡精度,93.97%的平衡回忆,96.59%的准确性,95.48%的平衡F1测量.
- 在耳炎类型的自动分类中显示出显著的有效性,包括没有耳炎,非中耳炎,非急性中耳炎,急性中耳炎,有穿孔的AOM和复发的AOM.
- 在大型数据集的准确性和效率方面表现优于手动分类.
结论:
- 深度学习模型对于解释复杂的医疗记录和加强流行病学监测是有效的.
- 自动化系统在处理大规模医疗数据方面提供了显著的改进,确保了准确性,并最大限度地减少了儿科护理中的人为错误.
- 开发的方法可适应其他医疗环境,推进医疗保健分析和诊断能力.
