在LACE指数评分工具中使用自然语言处理来预测南非非非计划性创伤和手术再入院的情况

科学领域:

• 医疗信息学 医疗信息学
• 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.

背景情况:

• 不规划的30天再入院代表着巨大的财务负担.
• 识别高风险再接收的患者对于有效的资源配置和患者护理至关重要.

研究的目的:

• 评估使用基于文本的电子病历 (EPR) 来计算查尔森并发症指数 (CCI) 评分的可行性和实用性.
• 通过使用自然语言处理 (NLP) 在EPRs上确定LACE评分对计划外再接收的预测值.

主要方法:

• 在南非一家医院 (2012-2022) 进行一般和创伤手术EPR的回顾性审查.
• 从自由文本EPR组件计算CCI得分的应用LACE得分和验证的情绪分析.
• 后勤回归分析,以确定LACE分数对再录取的预测意义.

主要成果:

• 创伤手术患者的平均LACE得分为5.91;8.44%的得分≥10,具有91.63%的特异性和13.81%的敏感性.
• 一般手术患者的平均LACE得分为7.75;10.63%的得分≥10,具有71.47%的特异性和44.80%的灵敏度.
• 在创伤 (OR=1.112) 和整体手术 (OR=1.162) 患者中,LACE得分显著预测了无计划的再入院 (p < 0.001).

结论:

• 在创伤和整体外科手术中,LACE得分显示了再入院的预测价值.
• LACE评分有效地识别了再入院风险较低的患者,但在识别高风险患者方面存在局限性.
• 从基于文本的医疗记录中提取并发症的NLP显示了改善风险预测模型的前景.