一个基于症状的自然语言处理监控管道,用于COVID-19后患者
Greg M Silverman1, Geetanjali Rajamani2, Nicholas E Ingraham3
1Department of Surgery, University of Minnesota, Minneapolis, MN, USA.
Studies in health technology and informatics
|January 25, 2024
概括
这项研究开发了一种自然语言处理管道,以识别SARS CoV-2 (PASC) 症状的急性后续,估计PASC的流行率并帮助临床监测. 尽管在对不确定的病例进行分类方面存在挑战,但该系统显示出了前景.
科学领域:
- 医疗信息学 医疗信息学
- 计算语言学 计算语言学
- 公共卫生 公共卫生
背景情况:
- SARS CoV-2 (PASC) 后急性后果由于长期症状,医疗费用和残疾而造成重大社会负担.
- 准确识别PASC病例对于有效的患者管理和公共卫生监测至关重要.
研究的目的:
- 开发和评估用于识别PASC症状的自然语言处理 (NLP) 管道.
- 使用开发的NLP管道估计涉嫌PASC病例的比例.
- 评估设计用于可视化聚合PASC症状数据的仪表板的可用性.
主要方法:
- 实施NLP管道来处理临床数据并识别PASC症状.
- 手动案例审查用于验证和估计PASC发病率.
- 一个PASC症状仪表板的开发和可用性测试 (系统可用性量表).
主要成果:
- 该NLP管道成功识别了PASC症状,估计样本发生率为13%,与人口估计一致.
- 相当数量的病例被归类为不确定的病例,这突出了即使是经验丰富的临床医生也面临的诊断挑战.
- 该PASC症状仪表板收到了关于其对临床监测的潜在实用性的积极反.
结论:
- 开发的NLP管道为监测COVID-19后患者和识别PASC提供了有价值的工具.
- 在最终分类PASC病例方面仍然存在挑战,需要进一步细化诊断标准和工具.
- 仪表板有助于可视化PASC症状数据,支持临床决策和研究.
