使用自然语言处理技术,从放射学报告中预测患者选择全关节和膝关节关节整形手术

科学领域:

• 医疗信息学 医疗信息学
• 医疗保健中的人工智能
• 放射学报告 放射学报告

背景情况:

• 选择患者进行全关节或全膝关节整形手术 (THA/TKA) 取决于临床评估.
• 自由文本放射学报告为患者分层提供了有价值的信息.
• 大型语言模型 (LLM) 提供了对临床文本自动分析的潜力.

研究的目的:

• 评估自然语言处理 (NLP) 与临床基础的LLM在预测THA/TKA患者选择中的有效性.
• 为了确定LLM驱动的NLP是否可以准确地解释手术前放射学报告.

主要方法:

• 使用了非识别的苏格兰区域临床数据和手术前放射学报告.
• 采用基于GatorTron LLM的NLP算法,进行了微调和交叉验证.
• 在单独的患者队列上进行内部模型培训/测试和外部验证.

主要成果:

• 对于THA,该模型以0.850的精度和训练后的AUROC为0.847实现了高性能.
• 对于TKA,训练后的表现较低,精度为0.757和AUROC为0.717.
• 在THA和TKA队列的外部验证期间,观察到性能显著下降.

结论:

• 使用LLM的NLP显示出从放射学报告中选适合的THA候选者的潜力.
• 目前的模型对TKA患者的选择不够准确.
• 外部验证凸显了对各种临床数据的持续模型改进和测试的需要.