通过自动化处理出院总结改善免疫介导炎症疾病患者的表型:多中心队列研究
Adam Remaki1, Jacques Ung2, Pierre Pages2
1Limics, Université Sorbonne Paris-Nord, Inserm, Sorbonne Université, Paris, France.
JMIR medical informatics
|April 9, 2025
概括
临床笔记的自然语言处理通过提取有价值的患者数据来增强电子健康记录. 这种方法可以改善患者自身免疫性疾病的表型,有助于获得更全面的临床见解.
科学领域:
- 医疗信息学 医疗信息学
- 自然语言处理自然语言处理.
- 临床数据挖掘 临床数据挖掘
背景情况:
- 医生笔记中的临床见解往往会在结构化的电子健康记录 (EHR) 中丢失.
- 这种数据缺口限制了全面的患者表型和对疾病进展的理解.
研究的目的:
- 为了证明非结构化临床文本的自然语言处理 (NLP) 如何补充结构化EHR数据.
- 为了实现更全面的患者表型,特别是对于自身免疫性疾病.
- 从临床笔记中提取实验室测试和药物治疗信息.
主要方法:
- 收集了2012-2021年四种免疫媒介炎症疾病的EHR.
- 在103份注释释放摘要上开发和验证NLP算法.
- 处理了18,604个EHR以提取实验室和药物数据,并将其与结构化数据进行比较.
主要成果:
- 在实验室测试中获得了F1分数71.1分,在使用NLP的药物中获得了89.3分.
- 在EHR中显著增加了抗体结果和药物治疗的检测率.
- 对患者队列的文献表现出更好的一致性,例如,系统性红斑狼.
结论:
- 释放摘要的自动处理丰富了EHR的关键临床信息.
- 这种NLP驱动的方法促进了更全面的患者概况.
- 在标准化实验室测试命名体系方面存在挑战,但并不能否定它的好处.
