深度学习用于识别个人和家庭自杀思想和行为的历史,来自EHRs

科学领域:

• 临床信息学 临床信息学
• 医疗保健中的人工智能
• 心理健康研究 心理健康研究

背景情况:

• 自杀思想和行为 (PSH和FSH) 的个人和家庭史是关键的自杀风险因素.
• 从电子健康记录 (EHR) 中的临床笔记中自动识别PSH和FSH尚未得到充分研究.
• 准确识别这些历史对于自杀预防策略至关重要.

研究的目的:

• 开发和评估深度学习 (DL) 工具,用于在临床笔记中检测PSH和FSH.
• 将DL模型的性能与传统基于规则的自然语言处理 (NLP) 工具进行比较.
• 评估DL工具在识别未诊断和未治疗的风险患者方面的潜力.

主要方法:

• 利用基于变压器的DL模型 (Bio_ClinicalBERT和GatorTron) 来分析来自三个学术医学中心的临床笔记.
• 开发了一个基于规则的NLP工具来进行比较.
• 使用F1评分来评估PSH和FSH检测的模型性能.

主要成果:

• 对于PSH和FSH检测,DL工具的性能明显优于基于规则的方法.
• 生物_临床BERT实现了PSH的F1分数为0.83±0.09,FSH的F1分数为0.89±0.10.
• 盖托特朗获得了PSH的F1分数为0.84±0.07和FSH的0.92±0.07.
• DL工具识别了超过80%的风险患者,这些患者以前未被诊断或未接受治疗.

结论:

• 基于变压器的DL模型在从EHR临床笔记中识别PSH和FSH方面表现出卓越的性能.
• 这些先进的NLP工具可以增强对自杀风险较高的个体的识别.
• 这些发现表明,通过自动化EHR数据分析来改善自杀预防的有希望的途径.