使用机器学习和自然语言处理对患者投诉进行分类的智能系统:开发和验证研究

科学领域:

• 医疗保健信息学 医疗保健信息学
• 人工智能在医学中的应用
• 自然语言处理自然语言处理.

背景情况:

• 准确的患者投诉分类对于医疗保健满意度管理至关重要.
• 传统的手工方法是低效和不精确的.
• 需要自动化方法来简化投诉分类.

研究的目的:

• 开发和验证用于自动分类患者投诉的智能系统.
• 使用机器学习 (ML) 和自然语言处理 (NLP) 技术.
• 提高医疗保健反分析的效率和精度.

主要方法:

• 开发了一个基于ML的NLP系统来提取关键的不满意度术语.
• 使用了1465个投诉记录 (2019-2023) 的数据集和376个投诉的外部数据集.
• 用于数据平衡的合成少数群体过量采样技术 (SMOTE).
• 经过训练和验证的多因素物流回归,多项天真贝叶斯和支持向量机 (SVM) 算法.
• 对外部数据进行了5次交叉验证.

主要成果:

• 支持矢量机 (SVM) 模型实现了最高的准确性.
• 在训练组中,SVM的加权平均准确度为0.93,在内部测试组中为0.87.
• 在外部测试组 (95% CI: 0.87-0.97) 上,SVM算法实现了0.91的平均准确性.
• ngram级术语频率-反向文档频率对分类性能的影响最小.

结论:

• 基于NLP的SVM算法有效地对患者投诉文本进行分类.
• 该系统在通信和管理问题上表现出卓越的性能.
• 建议谨慎对责任感投诉进行分类.
• 这种方法对投诉量高,资源有限的机构来说是有前途的.