在美国退伍军人中,使用自然语言处理丰富的健康社会和行为决定因素预测退役后的自杀率
Avijit Mitra1, Kun Chen2,3, Weisong Liu4,5
1Manning College of Information and Computer Sciences, University of Massachusetts Amherst, Amherst, MA, USA.
Npj mental health research
|February 22, 2025
概括
来自电子健康记录的健康的社会和行为决定因素 (SBDH) 显著改善了自杀风险预测. 从非结构化的笔记中提取SBDH的自然语言处理可以提高退伍军人退役后的模型性能.
科学领域:
- 计算精神病学是一种计算精神病学.
- 医疗信息学 医疗信息学
- 公共卫生 公共卫生
背景情况:
- 健康的社会和行为决定因素 (SBDH) 与自杀风险有关.
- 含有SBDH的非结构化电子健康记录 (EHR) 数据在自杀预测中未得到充分利用.
研究的目的:
- 评估SBDH从结构化和非结构化EHR数据对自杀预测的影响.
- 为了评估使用自然语言处理 (NLP) 提取的自杀预测模型的性能提升,SBDH.
主要方法:
- 采用了一种病例控制研究设计.
- 利用了来自2,987,006名美国退伍军人的电子健康记录数据 (2009年10月至2015年9月).
- 应用NLP从非结构化的EHR笔记中提取SBDH,并与预测模型的结构化数据集成.
主要成果:
- 通过NLP提取的SBDH显著改善了自杀预测模型.
- 随机森林模型显示了180天后排放预测准确度的提高 (AUC ROC从83.57%增加到84.25%;AUC PR从57.38%增加到59.87%).
- 结构化和NLP提取的SBDH都增强了不同的预测模型.
结论:
- 从非结构化EHR笔记中NLP提取的SBDH具有改善自杀风险预测的巨大潜力.
- 从结构化和非结构化数据中整合SBDH可以提高自杀预测模型的准确性.
- 这些发现支持NLP在利用全面的SBDH数据为主动心理健康护理的使用.
更多相关视频
06:55Inverse Probability of Treatment Weighting Propensity Score using the Military Health System Data Repository and National Death Index
Published on: January 8, 2020
14.3K
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
7.0K
