自动化信息提取模型增强传统中医RCT证据提取 (Evi-BERT):算法开发和验证

科学领域:

• 基于证据的医学是基于证据的医学.
• 医疗保健中的人工智能
• 自然语言处理自然语言处理.

背景情况:

• 随机对照试验 (RCT) 对基于证据的医学和临床指南至关重要.
• 从RCT中手动提取数据是低效的,并且数据范围有限.
• 需要自动提取方法来提高效率和扩大数据范围.

研究的目的:

• 引入一个自动化信息提取模型,用于传统中医 (TCM) RCT证据.
• 提高从TCMRCT中获得临床证据的数据广度和效率.

主要方法:

• 使用了来自变压器的证据双向编码器表示 (Evi-BERT) 与规则提取相结合.
• 在TCM临床文献 (24,244个数据点) 的手动注释数据集上训练模型,来自48,523篇研究文章.
• 将Evi-BERT与BERT-CRF和BiLSTM-CRF基线进行比较,包括Evi-BERT与规则表达式 (RE).

主要成果:

• 与RE相结合的Evi-BERT实现了卓越的性能,精度=0.926,回忆=0.952,F1得分=0.938.
• 该模型表现出强大的性能,并总结了113个规则数据集.
• 自动化方法显著扩大了可搜索数据,提高了效率,而不会影响准确性.

结论:

• 开发了一种智能方法,从TCM RCT数据中提取临床证据.
• 该模型通过减少期刊阅读时间和加速临床试验证据查以生成指南来帮助医生.
• 提取的结构化临床证据可以支持TCM中大型语言模型的开发.