对阿尔茨海默病患者进行迷你精神状态检查表型化,使用结构化和叙述性的电子健康记录功能

科学领域:

• 计算语言学计算语言学
• 医疗信息学医学信息学
• 机器学习 机器学习

背景情况:

• 阿尔茨海默病 (AD) 的诊断和监测依赖于诸如迷你精神状态检查 (MMSE) 等认知评估.
• 自动化MMSE得分预测可以提高临床实践中认知评估的效率和可访问性.
• 电子健康记录 (EHR) 包含丰富的非结构化数据,对开发预测模型有价值.

研究的目的:

• 开发和验证一种机器学习 (ML) 模型,用于在阿尔茨海默病 (AD) 患者中自动预测迷你精神状态检查 (MMSE) 评分.
• 利用自然语言处理 (NLP) 技术,从电子健康记录中的非结构化临床笔记中提取相关特征.
• 用结构化和非结构化EHR数据评估不同ML算法的性能,以预测MMSE得分.

主要方法:

• 从EHR中提取人口统计数据,诊断,药物和非结构化的临床访问笔记.
• 用于主题建模的隐性迪里克莱特分配 (LDA) 和n-grams的术语频率逆文档频率 (TF-IDF).
• 训练和评估的模型包括极端梯度提升 (XGBoost),静态梯度下降回归器 (SGDRegressor) 和多层感知器 (MLP).

主要成果:

• 分析了来自1000名AD患者的1654份临床笔记 (平均年龄为76.4岁,54.7%为女性,54.7%为白人).
• 多层感知器 (MLP) 模型在使用n-grams的验证集上实现了最小的根平均平方误差 (RMSE) 5.53 .
• 在试验组中,MLP模型表现出卓越的预测性能,试验组的RMSE为5.85.

结论:

• 开发了一种可行的ML方法,可以从非结构化的临床笔记中预测MMSE得分,支持认知评估.
• 这项研究表明NLP在提高阿尔茨海默病患者认知评估方面的潜力.
• 这种自动化方法可以帮助做出明智的临床决策,并促进患者队列的识别.