从电子健康记录中提取罕见不良事件的积极学习:儿科心脏病学研究

科学领域:

• 医疗信息学 医疗信息学
• 临床数据挖掘 临床数据挖掘
• 医疗保健中的人工智能

背景情况:

• 从电子医疗记录 (EMR) 中自动提取不良事件对于患者安全和临床研究至关重要.
• 心脏导管术是一种常见的手术,有可能导致严重的不良事件,需要立即识别.
• 现有的不良事件提取方法可能缺乏效率和准确性,需要先进的计算方法.

研究的目的:

• 开发和验证一个深度学习模型,用于从EMR中进行心脏导管治疗后自动提取不良事件.
• 为了利用积极的学习过程,创建一个强大的,注释数据集,用于训练深度学习模型.
• 评估模型在识别经历严重不良事件的患者方面的表现.

主要方法:

• 利用尼克尔儿童医院的电子健康记录,用于接受心脏导管治疗的患者.
• 根据NCDR-IMPACT注册表的定义,使用正则表达式进行与心脏导管相关的不良事件的初始预选.
• 实施了主动学习过程,包括心脏病学家的注释,以改进数据集并减轻错误阳性.
• 在精选的数据集上训练了一个深度学习文本分类器,以识别严重的不良事件.

主要成果:

• 最初基于正则表达的提取实现了与心脏导管相关的不良事件的完美回忆.
• 积极学习注释过程有助于创建一个平衡的数据集,适合深度学习模型培训.
• 深度学习文本分类器在识别具有不良事件的患者时显示了0.78的回忆率和0.94的特异性.
• 该研究包括了2980名患者的数据集,突出了由于不良事件的罕见性而导致数据不平衡的挑战.

结论:

• 开发的深度学习模型有效地使用现实世界的临床数据识别了心脏导管术后出现不良事件的患者.
• 积极学习注释策略在构建有效模型方面被证明是有价值的,特别是在罕见事件和有限数据集方面.
• 该模型显示了临床研究和大型语言模型集成应用的巨大潜力,特别是在研究罕见疾病方面.
• 该模型由医生为医生开发,旨在实现实际的临床相关性和适用性.