使用自然语言处理来识别电子健康记录中的不同镜头病理
Joshua D Stein1, Yunshu Zhou2, Chris A Andrews2
1From the W.K. Kellogg Eye Center, Department of Ophthalmology and Visual Sciences, University of Michigan, Ann Arbor, Michigan, USA (J.D.S., Y.Z., C.A.A., J.B.); Department of Health Management and Policy, University of Michigan School of Public Health, Ann Arbor, Michigan, USA (J.D.S.).
American journal of ophthalmology
|January 31, 2024
概括
与传统的计费代码相比,自然语言处理 (NLP) 在眼科研究中提供了一种更准确的方法来识别透镜病理. 这种先进的NLP算法在从电子健康记录中对眼部疾病进行分类时表现出高准确度.
科学领域:
- 眼科医生 眼科 眼科
- 医疗信息学 医疗信息学
- 大数据分析大数据分析
背景情况:
- 眼科大数据研究主要使用国际疾病分类 (ICD) 计费代码.
- ICD代码可能不准确或缺乏特定性来识别眼部疾病.
- 需要一种更精确的方法来识别大数据集中的透镜病理.
研究的目的:
- 评估自然语言处理 (NLP) 在识别透镜病理方面的准确性.
- 为了比较NLP的性能与传统的ICD计费代码用于透镜病理检测.
主要方法:
- 开发了一个NLP算法来分析电子健康记录 (EHR) 的自由文本镜头检查数据.
- 将算法应用于视力结果研究协作 (SOURCE) 存储库中的1750万个镜头检查记录.
- 临床人员对4314个独特的镜头检查条目进行了审查,以验证NLP与ICD代码的准确性.
主要成果:
- 该NLP算法在识别所有透镜病理方面实现了95.1%的准确性.
- 与ICD代码 (0.49) 相比,对NLP的敏感性显著更高 (0.98).
- 高临床医生同意特定条件,如伪剥皮物质 (100%) 和花粉症 (99.7%).
结论:
- NLP算法可以准确地识别和分类EHR中记录的透镜异常.
- 这种方法提高了研究人员准确识别眼部病理的能力.
- 通过使用现实世界的健康数据,NLP促进了更广泛,更准确的研究.
