在电子健康记录中识别监禁状态,使用大型语言模型在急诊室设置中
Thomas Huang1, Vimig Socrates2,3, Aidan Gilson1,2
1Department of Emergency Medicine, Yale School of Medicine, New Haven, CT, USA.
Journal of clinical and translational science
|March 28, 2024
概括
自然语言处理 (NLP) 模型从电子健康记录中准确识别监禁状态,改善卫生服务研究并解决健康不平等问题. 这一进展对于了解监禁对患者健康结果的影响至关重要.
科学领域:
- 医疗保健服务研究 医疗服务研究
- 计算语言学 计算语言学
- 公共卫生 公共卫生
背景情况:
- 监禁是健康的一个主要社会决定因素,导致了严重的健康差异.
- 电子健康记录 (EHR) 数据往往无法捕捉监禁状态,阻碍了研究.
- 开发方法来识别EHR中的监禁状况对于健康公平至关重要.
研究的目的:
- 开发和验证自然语言处理 (NLP) 技术,以识别在电子健康记录中的监禁状态.
- 改善在临床环境中捕获监禁数据.
- 为监禁人口提供更好的医疗服务研究和干预.
主要方法:
- 利用了从2013年6月到2021年8月的1000份急诊室临床笔记的数据集.
- 关于以前,最近和目前的监禁状况的注释说明.
- 训练并评估了Longformer,RoBERTa和GPT-4NLP模型,将它们与ICD-10代码进行比较.
主要成果:
- 手动注释在55.9%的笔记中发现了监禁史.
- 在识别监禁状况方面,NLP模型显著优于ICD-10代码.
- 长型 (F1:0.93) 和GPT-4 (F1:0.86) 显示出高精度,其中GPT-4达到100%的灵敏度.
结论:
- 先进的NLP模型从临床笔记中准确地识别监禁状态.
- 这些模型可以增强人口健康倡议,减轻健康差异.
- 进一步的研究应该集中在扩大NLP实施的规模,以影响公共卫生.
更多相关视频
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
7.1K
06:09P300-Based Brain-Computer Interface Speller Performance Estimation with Classifier-Based Latency Estimation
Published on: September 8, 2023
566
