用混合神经网络进行皮肤冠状动脉干预手术信息的临床命名实体识别

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.
• 心血管医学 心血管医学

背景情况:

• 皮肤冠状动脉干预 (PCI) 数据是非结构化的,限制了其临床实用性.
• 现有的临床命名实体识别 (CNER) 工具尚未完全用于PCI应用程序.
• 从PCI记录中有效地提取信息对于推进患者护理至关重要.

研究的目的:

• 在PCI临床文本中开发和评估一种用于细粒度CNER的新型混合模型.
• 为应对从非结构化的PCI外科记录中提取有价值信息的挑战.
• 提高心血管疾病治疗中信息挖掘的准确性和效率.

主要方法:

• 收集并标记了24267个PCI临床记录的数据集.
• 设计了一种字符级向量嵌入方法,用于增强特征表示.
• 开发了一个混合模型 (BCC-BiLSTM),集成双向长期短期记忆网络 (BiLSTM),卷积神经网络 (CNNs),变压器的双向编码器表示 (BERT) 和条件随机场 (CRF).

主要成果:

• BCC-BiLSTM模型在PCI文本中获得了F1评分86.2%,用于在PCI文本中识别命名实体.
• 这与隐藏马尔科夫模型 (HMM) 相比提高了26.4%,并且优于其他先进模型.
• 与其他智能方法相比,该模型显示了更快的培训趋同,并将词向量尺寸减少了15%.

结论:

• 拟议的BCC-BiLSTM模型为从临床文本中提取PCI外科信息提供了卓越的性能.
• 这种先进的CNER方法在心血管疾病管理中具有显著的临床应用潜力.
• 该模型的效率和准确性为在心脏病学中更好地利用电子健康记录铺平了道路.