使用自然语言处理来评估高风险退伍军人自杀风险变化的时间模式
Maxwell Levis1, Joshua Levy2, Monica Dimambro3
1White River Junction VA Medical Center, White River Junction, VT, USA; Geisel School of Medicine at Dartmouth, Hanover, NH, USA.
Psychiatry research
|July 31, 2024
概括
监测高风险患者的自杀风险变化至关重要. 电子健康记录的动态主题建模揭示了明显的主题转移,病例的可变性增加,突出了对时间敏感风险评估的需求.
科学领域:
- 计算语言学计算语言学
- 心理健康信息学心理健康信息学
- 自杀学是一种自杀学.
背景情况:
- 在高风险人群中评估动态自杀风险具有挑战性.
- 电子健康记录 (EHR) 包含有价值的纵向数据.
- 自然语言处理 (NLP) 提供了分析非结构化EHR数据的潜力.
研究的目的:
- 将动态主题建模 (DTM) 应用于高自杀风险患者的非结构化电子健康记录.
- 确定与自杀风险波动相关的临床主题中的时间模式.
- 开发一种时间敏感的自杀风险测量方法.
主要方法:
- 利用基于Python的DTM算法来分析退伍军人事务患者的EHR.
- 样本包括匹配的病例 (死于自杀) 和对照 (没有死于自杀) 从2017-2018年.
- 从诊断到相关终止日期分析的临床记录.
主要成果:
- 确定了五个关键主题:药物,干预,治疗目标,自杀和治疗重点.
- 观察到不同的时间变化:病理专注的护理在病例中增加,对照中的支持性护理.
- 与对照组相比,案例主题表现出更大的波动 (负担能力).
结论:
- DTM可以有效监测高风险患者的自杀风险波动.
- 病例中话题可变性增加表明,这可能是风险增加的潜在标志物.
- 这些发现支持开发动态,时间敏感的自杀风险评估工具.
