探索意大利肺癌临床报告中命名实体识别的否定实体

科学领域:

• 生物医学信息学 生物医学信息学
• 自然语言处理自然语言处理.
• 医疗保健中的人工智能

背景情况:

• 电子健康记录 (EHR) 包含有价值的患者数据用于研究.
• 从非结构化文本中提取特定的临床信息是具有挑战性的.
• 个性化医疗需要有效地从临床笔记中检索数据.

研究的目的:

• 评估人工智能驱动的命名实体识别 (NER) 的有效性,以从意大利EHR中提取临床信息.
• 为非小细胞肺癌 (NSCLC) 研究开发和验证一套新的29个临床实体.
• 为了证明将AI应用于意大利临床文本生物医学研究的可行性.

主要方法:

• 使用了先进的AI模型,在意大利生物医学文本上进行了预训练.
• 应用命名实体识别 (NER) 到临床笔记.
• 专注于提取29个特定的NSCLC相关的临床实体,包括否定检测.

主要成果:

• 在提取临床实体中获得了80.8%的有希望的平均F1分数.
• 证明成功识别诊断,药物,症状和实验室测试.
• 验证了模型在意大利NSCLC临床笔记上的表现.

结论:

• 人工智能,特别是NER,有效地从意大利EHR中提取关键的生物医学信息.
• 开发的实体集和人工智能方法促进了NSCLC的个性化健康研究.
• 这项工作支持人工智能应用在临床数据分析和未来医疗保健范式中的进步.