通过自然语言处理对非结构化脑电图报告的数据进行转换:改善大规模研究的数据可用性

科学领域:

• 医疗信息学 医疗信息学
• 计算神经科学是一种神经科学.
• 儿科神经学 儿科神经学

背景情况:

• 脑电图 (EEG) 报告对于诊断儿科至关重要,但通常是非结构化的文本,阻碍了数据分析.
• 从这些报告中提取临床相关信息是具有挑战性的,因为它们的文本格式.

研究的目的:

• 开发和验证一个分层算法,用于将儿科患者的非结构化EEG报告转化为结构化数据.
• 通过使用自然语言处理 (NLP) 技术,增强对关键电子图形洞察的提取和分析.

主要方法:

• 开发了一种两阶段的算法:用于文本分类的深度学习 (正常与异常EEG报告) 和基于规则的关键词提取.
• 该算法系统地识别了发作类型 (焦点/泛型),型排泄和解剖位置.
• 一组数据集包括17,172份儿科EEG报告,被追溯分析,用于算法开发和验证.

主要成果:

• 该算法在分类EEG报告和识别脑功能障碍或发作方面取得了很高的准确性.
• 发作类型的准确性超过了98.5%,而对于性泄漏的检测,它超过了88.5%.
• 跨多个机构的验证证实了算法的强大性能.

结论:

• 开发的等级算法有效地为儿科患者构建了非结构化的EEG报告.
• 这种NLP驱动的方法显著提高了儿童管理中的研究和临床应用的数据可访问性.
• 该方法简化了将临床注释转换为结构化数据集的流程,促进了进一步的研究.