机器学习自然语言处理用于识别静脉血栓塞栓症:系统审查和元分析
Barbara D Lam1,2, Pavlina Chrysafi3, Thita Chiasakul4
1Division of Hematology, Department of Medicine, Beth Israel Deaconess Medical Center, Harvard Medical School, Boston, MA.
Blood advances
|March 24, 2024
概括
机器学习-自然语言处理 (ML-NLP) 有效地识别了静脉血栓塞栓症 (VTE) 在电子健康记录中的诊断. 这一系统性审查和元分析表明了高的聚合性能,为VTE监测提供了一个有希望的自动化解决方案.
科学领域:
- 医疗信息学 医疗信息学
- 计算语言学 计算语言学
- 医疗保健服务研究 医疗服务研究
背景情况:
- 静脉血栓塞栓症 (VTE) 是可预防的医院死亡的一个重要原因.
- 手动审查医疗记录和诊断代码阻碍了高效的VTE病例监测.
- 自然语言处理 (NLP) 提供了自动化潜力,机器学习 (ML) -NLP显示出承诺.
研究的目的:
- 系统地审查和分析使用ML-NLP在电子健康记录 (EHR) 中用于VTE诊断识别的研究.
- 评估ML-NLP模型在检测VTE诊断方面的综合性能.
主要方法:
- 对2023年5月之前发表的研究进行系统审查,不包括基于规则的NLP方法.
- 对检测肺栓塞和/或深静脉血栓的最佳ML-NLP模型进行元分析.
- 使用随机效应模型计算聚合的灵敏度,特异性,PPV和NPV.
- 使用适应的TRIPOD工具评估研究质量.
主要成果:
- 包括13项研究;8项提供了元分析数据.
- 聚合的灵敏度:0.931,特异性:0.984,PPV:0.910,NPV:0.985. 这就是为什么.
- 顶级模型使用了矢量化和深度学习 (例如,CNNs).
- 研究表明相当优质,符合大多数TRIPOD标准,但注意到异质性和有限的外部验证.
结论:
- ML-NLP模型在EHR中识别VTE诊断方面表现出高准确度.
- 需要进一步的标准化和外部验证,以便在VTE监测中实际实施ML-NLP.
