数据治理和Gensini得分自动计算冠状动脉血管学与基于深度学习的自然语言提取

科学领域:

• 医疗信息学 医疗信息学
• 自然语言处理自然语言处理.
• 人工智能的人工智能

背景情况:

• 电子健康记录 (EHR) 产生了大量的临床数据.
• 电子健康记录中的非结构化文本对传统的数据提取方法构成挑战.
• 目前的方法不足以治理临床数据和在冠状动脉血管学中自动计算甘西尼分数.

研究的目的:

• 开发一种基于深度学习的新自然语言提取方法.
• 改进从电子医疗记录中自动提取冠状动脉血管图信息.
• 增强心脏病学数据治理和甘西尼分数计算.

主要方法:

• 使用来自变压器的双向编码器表示 (BERT) 来进行特征表示.
• 结合BERT与双向长短期记忆 (BiLSTM) 和条件随机场 (CRF) 模型.
• 在中国医院数据集上评估了BiLSTM-CRF模型,并将其与BERT-BiLSTM-CRF进行了比较.

主要成果:

• BiLSTM-CRF模型在提取冠状动脉血管图信息方面获得了91.19的F1得分.
• 这一性能大约比BERT-BiLSTM-CRF模型高0.87.
• 在现实世界的临床数据中展示了拟议模型的实际优势.

结论:

• BiLSTM-CRF模型为从临床文本中自动提取信息提供了一种卓越的方法.
• 这一进步支持更好的数据治理和准确的根西尼分数计算.
• 深度学习方法显示出从非结构化EHR数据中解锁洞察力的巨大潜力.