在自由文本调查中识别患者报告的护理经验 评论:主题建模研究

科学领域:

• 医疗保健服务研究 医疗服务研究
• 自然语言处理自然语言处理.
• 机器学习 机器学习

背景情况:

• 患者报告体验调查 (PRES) 为改善医疗保健提供了宝贵的患者反.
• 在PRES中对自由文本评论的传统分析是资源密集和复杂的.
• 机器学习 (ML) 和自然语言处理 (NLP) 的进步为分析这些未充分利用的数据提供了新的机会.

研究的目的:

• 将NLP技术应用于患者报告体验调查中的自由文本评论的主题建模.
• 利用ML从患者反中提取有意义的见解.

主要方法:

• 利用了医疗保健提供者和系统的消费者评估 (CAHPS) 调查数据与住院病人的记录相关联.
• 使用BERTopic使用自动标签的无监督主题建模.
• 包含情绪分析,以帮助主题解释.

主要成果:

• 超过43%的成年患者和46%的儿科护理人员提供了自由文本回复.
• 在成年人响应中确定了86个主题,在儿科响应中确定了35个主题,揭示了现有调查未涵盖的护理方面.
• 大多数被确定的主题总体上是积极的.

结论:

• 在患者反中,BERTopic有效地识别了可解释的主题,并且对其进行了最小的调整.
• 研究结果支持ML的应用,以了解患者的体验,以实现以人为中心的护理,患者安全和质量改善.
• 对患者反的ML分析可以识别时间和特定地点的趋势,突出关注和改进的领域.