在澳大利亚的背景下,确定具有自然语言处理的手术转诊候选人
Sheryn Tan1, Rudy Goh1,2, Jeng Swen Ng1
1University of Adelaide, Adelaide, South Australia, Australia.
Epilepsia open
|January 23, 2024
概括
手术的使用率不足. 机器学习-自然语言处理 (ML-NLP) 可以通过分析临床笔记来识别合适的候选人,提高这种有益治疗的转诊率.
科学领域:
- 神经学 神经学
- 医疗信息学 医疗信息学
- 人工智能的人工智能
背景情况:
- 手术是治疗耐药的有效方法,但仍未得到充分利用.
- 迅速将符合条件的患者转诊到专门的中心,对于及时的手术评估至关重要.
- 从临床笔记中识别潜在的候选人可能是一个挑战.
研究的目的:
- 评估南澳大利亚手术转诊的不足利用情况.
- 开发和评估机器学习-自然语言处理 (ML-NLP) 模型,用于识别手术候选人.
主要方法:
- 从两个三级医院的457个神经学门诊病人的笔记进行了回顾性审查.
- 开发ML-NLP算法,以识别符合手术标准的患者.
- 在自由文本临床笔记上使用五倍交叉验证进行验证.
主要成果:
- 在250名患者中,37名 (14.8%) 符合手术转诊的标准.
- 在这37名患者中,有32名患者 (12.8%) 在访问期间没有被转诊.
- ML-NLP模型显示出高性能,例如,随机森林AUC为0.97,灵敏度为1.0,特异性为0.93.
结论:
- 相当数量的符合手术条件的患者没有被转诊.
- ML-NLP是一个有前途的工具,可以帮助识别和推合适的候选人.
- 改善转介途径可以提高获得有益的手术的机会.
更多相关视频
05:54Stereo-Electro-Encephalo-Graphy SEEG With Robotic Assistance in the Presurgical Evaluation of Medical Refractory Epilepsy: A Technical Note
Published on: June 13, 2016
17.2K
09:41A Pipeline for 3D Multimodality Image Integration and Computer-assisted Planning in Epilepsy Surgery
Published on: May 20, 2016
12.3K
