在临床文本中自动识别患者未满足的社会需求,使用自然语言处理

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.
• 公共卫生 公共卫生

背景情况:

• 识别患者未满足的社会需求对于及时干预至关重要.
• 临床文本包含有关健康的社会决定因素的宝贵信息.
• 现有的社会需求识别方法可能耗时或不完整.

研究的目的:

• 开发和评估自然语言处理 (NLP) 解决方案,以从临床文本中识别患者未满足的社会需求.
• 通过准确标记社会需求,使及时干预成为可能.
• 促进对健康的社会决定因素进行数据驱动的研究.

主要方法:

• 一个回顾性队列研究,涉及临床笔记和门户消息的注释,从初级保健患者转到社区卫生工作者 (CHW) 计划.
• 开发和比较两个NLP解决方案:一个基于语义嵌入矢量和基于相似性的分类,另一个使用设计的术语和模式.
• 评估NLP解决方案使用精度,回忆和F1得分,在整个队列中应用最佳性能模型.

主要成果:

• 在5675个临床笔记和475个门户消息的注释过程中,实现了高的注释者间一致性 (0.938).
• 最好的NLP解决方案在识别未满足的社会需求方面获得了0.95的F1得分.
• 在CHW转诊队伍中的1103名患者中,超过80%的人在转诊前六个月内至少发现了一个未满足的社会需求,其中财务压力和健康素养是最普遍的.

结论:

• 临床文本是识别患者未满足的社会需求的丰富来源.
• NLP解决方案可以有效地识别社会需求,支持CHW转诊和干预.
• 这项技术可以推进对健康的社会决定因素的数据驱动研究.