整合数据驱动和知识驱动的方法来分析临床笔记与结构化数据,用于检测皮症

科学领域:

• 老年学是一门学科.
• 临床信息学 临床信息学
• 生物医学数据科学 生物医学数据科学

背景情况:

• 在临床环境中,由于难以将肌肉测量纳入常规实践中的困难, Sarcopenia 往往没有被检测到.
• 在繁忙的临床环境中, sarcopenia 目前的诊断方法缺乏效率.
• 电子健康记录 (EHR) 提供了一种潜在的数据来源,可以改善对肉症的检测.

研究的目的:

• 开发和评估将非结构化临床笔记与结构化电子健康记录数据集成的方法,以加强对肉类的检测.
• 提高在临床实践中识别患有肉类的患者的准确性和效率.
• 为了证明临床笔记特征在萨尔科佩尼亚风险预测中的有用性.

主要方法:

• 开发和评估了提取临床笔记特征的四种不同的方法.
• 集成的提取特征与结构化的EHR数据构建了肉症检测模型.
• 利用案例研究来解释模型结果并确定关键预测因素.

主要成果:

• 结合数据驱动和知识驱动的方法,表现最好的模型实现了73.93%的AUC,超过了基线模型 (AUC 71.59%).
• 对1304名参与者的分析 (249名患有肉症) 证实了该模型的有效性.
• 临床笔记预测器,如"棒子"",步行者"和"不稳定"被确定为对萨尔科佩尼亚检测的重要贡献者.

结论:

• 将临床笔记特征集成到肉症检测模型中,可以显著提高识别有风险的个体的能力.
• 这种方法可以导致早期识别和针对性干预的萨尔科佩尼亚.
• 这些发现支持在临床笔记中使用NLP技术,以改善肉症查.