使用变压器架构提取患有精神症状的患者亚群

科学领域:

• 自然语言处理 (NLP) 是一种自然语言处理.
• 医疗保健中的机器学习
• 临床信息学 临床信息学

背景情况:

• 医生笔记包含有价值的患者数据,但不结构化,难以分析.
• 为有针对性的研究或治疗提取特定患者亚群是一个重大挑战.
• 现有的方法通常需要大量的手工努力或定制的自然语言处理 (NLP) 模型.

研究的目的:

• 开发和验证一种新的,自动化的管道,用于从非结构化的临床笔记中识别和提取患者亚群.
• 为了证明管道能够根据其记录的症状对具有相似概况的患者进行分组.
• 为了减少对个别创建的NLP模型的需求,用于各种临床亚群识别任务.

主要方法:

• 利用临床元词典从医生的笔记中选择相关术语.
• 使用变压器模型进行项向量化.
• 应用统一多重近似和投影 (UMAP) 用于缩小维度.
• 采用最佳集群选择方法来分组矢量化患者数据.
• 验证了MIMIC IV数据集的管道,专注于"精神或行为功能障碍".

主要成果:

• 从一般患者群体中成功地提取和聚集了患有"精神或行为功能障碍"的患者.
• 该管道自动将患者分成两组:主要有身体症状的患者和精神/情绪症状的患者.
• 证明了将具有相似概况的患者分组成组的能力,用户监督最小.
• 确定了特定的症状集群,例如身体组中的酒精/毒品滥用和饮食障碍,另一个组的精神/情绪症状.

结论:

• 开发的管道提供了一种有效和自动化的方法,用于从非结构化的临床文本中识别患者亚群.
• 这种方法可以通过利用已识别的患者集群来促进症状预测和个性化治疗计划的治愈.
• 该系统有可能通过提供数据驱动的患者细分来协助临床决策,而无需为每个任务定制NLP模型.