一个使用自然语言过程的儿科紧急情况预测模型,用于儿科急诊室
Arum Choi1, Chohee Kim2, Jisu Ryoo3
1Department of Radiology, College of Medicine, The Catholic University of Korea, Seoul, Korea.
Scientific reports
|January 28, 2025
概括
深度学习和自然语言处理模型可以有效地识别儿科部门的紧急情况. 这些先进的AI工具改善了医疗保健资源管理和紧急医疗中的患者结果.
科学领域:
- 人工智能在医学中的应用
- 临床信息学 临床信息学
- 自然语言处理自然语言处理.
背景情况:
- 儿科急救部门在有效识别关键病例方面面临着挑战.
- 准确和及时的分组对于优化患者的治疗结果和资源分配至关重要.
- 电子医疗记录 (EMR) 包含了开发预测模型的宝贵数据.
研究的目的:
- 开发和评估深度学习 (DL) 和自然语言处理 (NLP) 模型,用于识别儿科急诊室的紧急情况.
- 为了比较机器学习 (ML) 和DL模型在分类儿科紧急病例中的性能.
- 从EMR中利用临床医生的成绩单来加强病例识别.
主要方法:
- 使用EMR数据分析了来自韩国一家三级医院的87,759例儿科病例 (2012-2021年).
- 四个ML模型 (TF-IDF) 和两个DL模型 (KM-BERT框架) 的培训和比较.
- 使用临床医生的成绩单进行基于NLP的紧急病例分类.
主要成果:
- 梯度提升 (ML) 实现了AUROC的0.715,AUPRC的0.778,以及F1得分的0.677.
- 微调的KM-BERT (DL) 显示出卓越的性能,其AUROC为0.839,AUPRC为0.879,F1得分为0.773.
- 基于Shapley的解释提供了对模型预测的洞察力,突出了可解释性.
结论:
- 先进的DL模型,特别是KM-BERT,显示出用于准确识别儿科紧急病例的巨大潜力.
- 应用于EMR数据的NLP技术可以增强医疗决策和提高紧急护理的效率.
- 这些人工智能驱动的方法为更精确的医疗资源管理和更好的患者结果提供了一条途径.
