自然语言处理用于在电子健康记录中识别狼性炎表型
Yu Deng1, Jennifer A Pacheco2, Anika Ghosh1
1Center for Health Information Partnerships, Feinberg School of Medicine, Northwestern University, Chicago, USA.
BMC medical informatics and decision making
|March 3, 2024
概括
自然语言处理 (NLP) 算法显著改善了电子健康记录 (EHR) 中狼性炎的识别. 这些先进的NLP工具提高了临床研究和向治疗的数据准确性.
科学领域:
- 医疗信息学 医疗信息学
- 临床研究 临床研究
- 自免疫性疾病 自免疫性疾病
背景情况:
- 系统性红斑狼 (SLE) 是一种罕见的自身免疫性疾病,具有不可预测的爆发和缓解.
- 狼性炎是一种严重的SLE表现,影响器官损伤和死亡率,对于分类标准至关重要.
- 在电子健康记录 (EHR) 中准确识别狼性炎对于大型队列研究和临床试验至关重要.
研究的目的:
- 开发和评估使用EHR数据识别狼性炎的算法.
- 将自然语言处理 (NLP) 算法的性能与使用结构化数据的传统方法进行比较.
- 评估NLP在从非结构化的临床笔记和病理学报告中提取关键信息的实用性.
主要方法:
- 开发了一个基线算法,只使用结构化的EHR数据.
- 创建了四个基于NLP的算法,包括关键字搜索,正则表达式和各种特征集的逻辑回归模型.
- 纳入概念独特标识符 (CUI),正则表达式概念和结构化数据在表现最佳的NLP模型中.
- 使用来自不同机构 (VUMC) 的数据对最好的NLP算法和基线算法进行外部验证.
主要成果:
- 最好的NLP模型,结合结构化数据,正则表达式和CUI,显著改善了F测量.
- 在内部数据集 (NMEDW) 中实现了0.79的F测量,而基线算法则为0.41.
- 在外部验证数据集 (VUMC) 中获得了0.93的F测量,而基线算法则为0.52.
结论:
- 基于NLP的算法,特别是混合模型,大大提高了EHR中狼性炎识别的准确性.
- 这些NLP工具为临床研究中的精确表型提供了强大的方法.
- 更好地识别狼性炎可以导致更好的向治疗和患者管理.
