一个自然语言处理算法准确地分类了脂肪性肝病的病理,以估计肝硬化风险

科学领域:

• 肝病学 肝病学是一种肝病学.
• 医疗信息学 医疗信息学
• 计算生物学 计算生物学

背景情况:

• 组织病理学是诊断和分期代谢功能障碍相关脂肪性肝病 (MASLD) 的黄金标准.
• 从自由文本病理学报告中提取组织学数据来进行大规模研究是具有挑战性的.
• 开发了一种自然语言处理 (NLP) 算法,以自动化MASLD组织学特征的得分.

研究的目的:

• 开发和验证一种NLP算法,用于从电子医疗记录中自动评分MASLD组织学特征.
• 为了建立一个大规模,高质量的MASLD研究队伍.
• 为了调查MASLD纤维化阶段与脱补偿性肝病风险之间的关联.

主要方法:

• 在Python中创建了一个NLP算法,用于从自由文本病理报告中识别肥胖症,叶囊炎,气球和纤维化阶段.
• 该算法经过培训,并在来自美国大众医院布里格姆医疗保健系统的1200多份病理报告 (1987-2021) 上进行了手动验证.
• 通过活检确认的MASLD患者被跟踪查看发生的非补偿性肝病,并考虑共变量.

主要成果:

• 对于所有组织学概念,NLP算法实现了高正负预测值 (93.5%至100%).
• 在3134名患有MASLD的患者中,复合终点的风险随着纤维化阶段的恶化而增加.
• 与简单肥胖症相比,晚期纤维化阶段 (F2和F3) 的肝硬化风险比率显著增加.

结论:

• 该NLP算法可靠地从病理学报告中得分MASLD组织学特征,促进大规模的队列构建.
• 该研究发现,MASLD患者的肝硬化风险加快与初始纤维化阶段直接相关.
• 这种NLP工具增强了电子医疗记录对MASLD研究和临床见解的有用性.