自然语言处理算法从退伍军人事务医疗保健系统的瘤病记中提取多发性骨髓瘤阶段
Sergey D Goryachev1,2,3, Cenk Yildirim1,2,3, Clark DuMontier4,5,6,7
1Massachusetts Veterans Epidemiology Research and Information Center (MAVERIC), Boston, MA.
JCO clinical cancer informatics
|July 22, 2024
概括
一个新的自然语言处理 (NLP) 算法准确地从电子健康记录中提取多发性骨髓瘤 (MM) 阶段. 该工具可以在大型患者数据库中改进疾病风险评估.
科学领域:
- 医疗信息学 医疗信息学
- 在瘤学瘤学.
- 自然语言处理自然语言处理.
背景情况:
- 多发性骨髓瘤 (MM) 的分期对于风险评估至关重要,但在大型数据库中经常缺失.
- 准确的MM分期对于治疗规划和预后至关重要.
- 现有的MM分期方法缺乏从电子健康记录中全面提取数据.
研究的目的:
- 开发和验证一种自然语言处理 (NLP) 算法,用于提取瘤学家记录的多发性骨髓瘤 (MM) 阶段.
- 改善大规模医疗保健数据库中MM疾病风险的测量.
- 通过使用退伍军人事务 (VA) 医疗保健系统电子健康记录 (EHR) 的数据来实现准确的MM分期.
主要方法:
- 一个基于规则的NLP算法被开发并使用VA的全国EHR和癌症注册数据进行验证.
- 瘤学家确定的MM阶段在超过5,000个临床笔记片段和200名患者在治疗开始时被注释.
- 为三个MM分阶段系统 (R-ISS,ISS,DS) 和未指定的阶段开发并验证了算法.
主要成果:
- 该NLP算法在片段 (0.92-0.99) 和患者水平 (0.86-0.99) 上显示出高精度和回忆来提取MM阶段.
- 在不同的MM分期系统中实现了出色的性能,包括修订的国际分期系统 (R-ISS),国际分期系统 (ISS) 和杜里-萨尔蒙 (DS).
- 该算法在治疗开始时准确地识别了MM阶段,促进了精确的患者级风险分层.
结论:
- 一个基于规则的NLP算法准确地从VA的国家电子病理记录系统中的瘤学笔记和病理学报告中提取MM阶段.
- 这种算法增强了在大量患者群体中测量MM阶段的能力,解决了数据可用性的关键差距.
- 开发的NLP工具可以适应在其他医疗保健系统中使用,以从临床文档中提取MM阶段.
更多相关视频
04:09Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
8.2K
07:15Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
Published on: August 16, 2020
6.8K
