相关实验视频
Updated: May 7, 2025
06:48
Emergency Undocking in Robotic Surgery: A Simulation Curriculum
Published on: May 20, 2018
9.1K
基于Bert-BiLSTM模型的达芬奇手术机器人的不良事件分类算法研究
Tianchun Li1, Wanting Zhu1, Wenke Xia1
1School of Health Sciences and Engineering, University of Shanghai for Science and Technology, Shanghai, China.
Frontiers in computational neuroscience
|December 31, 2024
概括
一个新的深度学习模型准确地分类达芬奇手术机器人不良事件,通过有效分析报告来提高医疗设备安全和患者健康.
科学领域:
- 医疗器械安全 医疗器械安全
- 自然语言处理自然语言处理.
- 医疗保健中的机器学习
背景情况:
- 对于像达芬奇手术机器人这样的医疗设备的不良事件报告经常受到不完整和不一致的数据的影响.
- 准确分类这些事件对于确保患者安全和改善医疗器械性能至关重要.
研究的目的:
- 为了提高与达芬奇手术机器人相关的不良事件分类的准确性.
- 开发一个可靠的模型来预测患者从不良事件报告中受到的伤害,特别是对于小型数据集.
主要方法:
- 开发了一种新的深度学习模型,Bert-BiLSTM-Att_dropout,将BERT和BiLSTM与注意力和放弃机制结合起来.
- 将模型应用于4,568个达芬奇手术机器人不良事件报告 (2013-2023) 的数据集.
- 评估模型性能与基线模型 (如GRU,LSTM和BiLSTM-Attention) 相比.
主要成果:
- 伯特-BiLSTM-Att_dropout模型的平均F1得分为90.15%.
- 在文本分类准确性方面显著优于传统和基于注意力的基线模型.
- 在一个小的数据集上展示了有效的概括和关键信息捕获.
结论:
- 拟议的模型显著提高了医疗器械不良事件报告的准确性和可用性.
- 这一进步有助于预防医疗事故并减少对患者的伤害.
- 这些发现突出了BERT和BiLSTM组合模型在医疗文本分类任务中的潜力.
