在非结构化的临床笔记中自动识别与跌倒相关的伤害

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.
• 老年医学 老年医学

背景情况:

• 与跌倒相关的伤害 (FRI) 是老年人住院的重要原因.
• 在非结构化临床笔记中识别FRI对于大规模研究来说是具有挑战性的.

研究的目的:

• 开发和评估自然语言处理 (NLP) 模型,用于在临床笔记中准确识别FRI.
• 提高基于临床笔记的关于落相关伤害的研究效率.

主要方法:

• 使用了来自Mass General Brigham的2100名老年人的临床笔记.
• 在标记的段落上训练了五个NLP模型 (BERT,RoBERTa,ClinicalBERT,DistilBERT,SVM).
• 采用基于BERT的模型的三阶段培训过程:掩面语言建模,一般的布尔式问答和FRI特定的问答.

主要成果:

• 强大的优化BERT方法 (RoBERTa) 模型表现出卓越的性能.
• 罗伯塔的精度为0.90,回忆率为0.91,F1的得分为0.91.
• 接收器操作特征 (AUROC) 下面面积和精度召回 (AUPR) 曲线下的面积为0.96.

结论:

• 开发的NLP模型从非结构化的临床笔记中准确地识别与跌倒相关的伤害.
• 这些模型显示,有可能显著提高利用临床笔记的研究效率.
• 这些发现支持NLP用于电子健康记录中FRI数据的大规模分析.