通过一对一的分类来消除临床缩写的模糊性:算法开发和验证研究
Sheng-Feng Sung1,2, Ya-Han Hu3, Chong-Yan Chen3
1Division of Neurology, Department of Internal Medicine, Ditmanson Medical Foundation Chia-Yi Christian Hospital, Chiayi City, Taiwan.
JMIR medical informatics
|October 1, 2024
概括
这项研究使用一对一 (OTA) 框架和从变压器 (BERT) 的双向编码器表示 (BERT) 来增强临床缩写扩展. 改进的方法有效地消除了医学缩写的模糊性,提高了信息提取和临床效率.
科学领域:
- 自然语言处理自然语言处理.
- 生物医学信息学 生物医学信息学
- 计算语言学 计算语言学
背景情况:
- 电子病历 (EMR) 包含有价值的患者数据,包括临床笔记.
- 临床文本中的模两可和非标准化缩写阻碍了临床决策支持的自然语言处理 (NLP).
- 有效的缩写分歧对于从医疗记录中提取准确信息至关重要.
研究的目的:
- 加强一个对所有 (OTA) 框架,扩大临床缩写.
- 通过开发上下文候选对和改进文字嵌入来优化双向编码器从变压器 (BERT) 模型的表示.
- 通过使用真实世界医学数据,评估增强的OTA框架在扩大临床缩写中的有效性.
主要方法:
- 使用了三个数据集:医学科目标题词语意义歧义,明尼苏达大学和Chia-Yi基督教医院.
- 预处理和格式化的文本包含BERT的多体缩写.
- 微调的预训练模型,ClinicalBERT和BlueBERT,生成训练和测试数据集对.
主要成果:
- 蓝伯特实现了高精度 (例如,在MSH WSD数据集上95.41%的宏观精度).
- 与基线模型 (LSTM,deepBioWSD,Word2Vec+SVM,BioWordVec+SVM) 相比,显著改善了宏观精度.
- 在明尼苏达大学数据集上实现了98.40%的宏观精度.
结论:
- 增强的一对所有 (OTA) 方法有效地消除了临床缩写的模糊性.
- 这种方法显示出提高临床人员效率和研究效率的潜力.
- 验证了优化BERT嵌入的实用性,以扩展临床缩写.
