文本挖掘方法揭示了住院患者长期COVID的临床状况

科学领域:

• 医疗信息学 医疗信息学
• 计算语言学 计算语言学
• 公共卫生 公共卫生

背景情况:

• 长期COVID表现出超出典型恢复期的各种症状,使临床理解复杂化.
• 多样化的患者群体和医疗保健系统在标准化长期COVID数据方面存在挑战.
• 电子医疗记录 (EHR) 中的非结构化数据在长期的COVID研究中基本上没有得到利用.

研究的目的:

• 开发和应用一种新的文本挖掘技术,用于提取和分析非结构化的长COVID调查数据.
• 提高对长期COVID的临床表现和医疗保健影响的理解.
• 创建一个可扩展的模型来分析长COVID数据在不同的医疗保健环境.

主要方法:

• 语音文本聚类 (PTC) 用于将各种书面术语统一成单一的语音表示.
• 使用N-gram文本分析来识别葡萄牙语-BR.的复合词和否定词.
• 分析了来自巴西一所大学医院长期COVID调查的非结构化数据.

主要成果:

• 该研究成功地应用了文本挖掘,从非结构化的长期COVID调查数据中提取有意义的信息.
• PTC 方法在标准化症状分析术语方面表现出有效性.
• 在被研究的人群中确定了与长期COVID相关的关键疾病和症状.

结论:

• 文本挖掘,特别是PTC和n-gram分析,提供了一种强大的方法来理解复杂的条件,如长COVID.
• 开发的模型可以增强对EHR数据的分析,为慢性疾病提供更深入的见解.
• 这项研究支持改善临床决策和全球长期COVID的更广泛研究.