使用自然语言处理来提取和分类甲状腺功能障碍患者的症状

科学领域:

• 医疗信息学 医疗信息学
• 临床自然语言处理 临床自然语言处理
• 内分泌学 在内分泌学.

背景情况:

• 甲状腺功能障碍影响超过12%的美国人口,经常出现疲劳和体重变化.
• 这些患者报告的结果与甲状腺检测模式之间的关系尚不清楚.
• 从临床记录中准确识别症状对于了解患者群体至关重要.

研究的目的:

• 开发和评估一种自然语言处理 (NLP) 管道,用于识别甲状腺刺激激素 (TSH) 测试患者的疲劳和体重变化症状.
• 为了比较各种双向编码器表示从变压器 (BERT) 模型在从临床文本中提取这些特定症状的性能.

主要方法:

• 创建了一个自然语言处理和深度学习管道,以检测患者报告的体重变化和疲劳的结果.
• 我们比较了五个开源BERT模型,以确定它们从临床笔记中识别这些症状的准确性.
• 使用F1分数来评估疲劳和体重变化检测的性能.

主要成果:

• 生物_临床BERT在识别疲劳 (0.900) 和体重变化 (0.906) 方面获得了最高的F1分数.
• 其他评估的模型包括BERT,DistilBERT,生物医学RoBERTa和PubMedBERT,性能各不相同.
• 结果表明,Bio_ClinicalBERT在从临床文本中提取这些特定症状方面具有卓越的能力.

结论:

• 开发的NLP管道,特别是使用Bio_ClinicalBERT,可以准确地识别接受甲状腺检测的患者的疲劳和体重变化.
• 这种方法可以帮助分析患者报告的结果,了解甲状腺功能障碍的患病率和跨人口统计数据的测试模式.