在观察性研究中加速证据合成:开发一种活的自然语言处理辅助智能系统文献审查系统

科学领域:

• 医疗信息学 医疗信息学
• 计算语言学 计算语言学
• 证据综合 证据综合

背景情况:

• 系统文献审查 (SLR) 对于证据综合至关重要,但通常是复杂的,耗时的,资源密集的.
• 现有的SLR方法在高效处理大量出版文献方面面临挑战,特别是在使用真实数据的观察研究中.

研究的目的:

• 开发和介绍基于自然语言处理 (NLP) 的解决方案,旨在加快和简化观测研究的SLR过程.
• 创建一个智能,端到端,活的NLP辅助平台,用于自动化关键的SLR任务.

主要方法:

• 使用敏捷的软件开发方法来构建定制的NLP辅助解决方案.
• 基于机器学习的NLP算法被用于自动化文章选 (文本分类) 和数据元素提取 (命名实体识别).
• 人类在循环中的设计允许专家审查和验证NLP预测,并与可解释的人工智能集成以提高透明度.

主要成果:

• 智能单反相机平台成功自动化了主要的单反相机步骤,包括协议设置,检索,选,数据提取和可视化.
• NLP算法在文章选 (0.86-0.90) 中表现出高准确度,在数据元素提取中表现出强 (宏观平均F1分数为0.57-0.89).

结论:

• 先进的NLP算法显著加快了观察性研究的SLR,使研究人员能够花更多的时间研究数据质量和证据合成.
• 集成到平台中的生活SLR概念允许持续的文献更新,帮助科学家保持最新的观察性研究研究前性.