改进使用自然语言处理方法在电子健康记录中识别糖尿病视网膜病变和相关疾病

科学领域:

• 眼科医生 眼科 眼科
• 医疗信息学 医疗信息学
• 医疗保健中的人工智能

背景情况:

• 糖尿病视网膜病变 (DR) 是糖尿病患者视力丧失的主要原因.
• 准确的表型定型对于了解DR患病率和管理患者护理至关重要.
• 目前用于识别DR和相关疾病的方法在准确性和范围上有局限性.

研究的目的:

• 为了比较三种不同的表型化方法的性能,用于识别糖尿病视网膜病变 (DR) 和相关的临床条件.
• 为了评估国际疾病分类的准确性,第10版 (ICD-10) 代码单独与使用提供者注释和/或ICD-10代码的自然语言处理 (NLP) 框架相比.
• 根据所选择的表型化方法,评估估计疾病流行率的变化.

主要方法:

• 使用了三种表型方法:ICD-10查找系统,只有文本的NLP系统和文本和ICDNLP系统.
• 在NLP系统使用双向编码器表示从变压器框架应用于提供者说明和/或ICD-10代码.
• 绩效与黄金标准图表审查进行了评估,用于比较和协议评估的宏观F1得分和kappa统计数据.

主要成果:

• 文本和ICDNLP系统在与黄金标准相比,在识别大多数DR相关的临床疾病方面表现最高 (F1分数范围:0.39-0.64).
• 在ICD-10查找系统和只有文本的NLP系统 (kappa: 0.21-0.81) 之间,协议有所不同.
• 使用文本和ICDNLP系统的DR和相关疾病的患病率估计范围从神经血管玻璃眼的1.1%到糖尿病黄斑胀的17.9%.

结论:

• 选择表型化方法对糖尿病视网膜病变和相关疾病的估计患病率产生重大影响.
• 文本和ICDNLP系统,整合了诊断代码和自由文本临床笔记,成为准确识别病例的优越方法.
• 这项研究强调了先进的NLP技术在提高临床数据表型化准确性方面对研究和临床实践的重要性.