深度学习工具对医疗报告的应用,以优化心房-复发预测模型的输入

科学领域:

• 生物医学信息学 生物医学信息学
• 医疗保健中的人工智能
• 临床数据分析

背景情况:

• 电子健康记录 (EHR) 和非结构化报告对于预测心房 (AF) 复发至关重要.
• 现有的预测模型在编码数据中存在不准确性,导致显著的虚假阳性和负性.
• 深度学习 (DL) 和自然语言处理 (NLP) 为数据增强提供了潜在的解决方案.

研究的目的:

• 开发使用DL和NLP的自动化系统,以提高AF预测数据集的可靠性.
• 从非结构化医疗报告中提取关键预测变量并识别新的AF病例.
• 提高未来AF复发预测模型的准确性.

主要方法:

• 利用正则表达式和DL工具,分析了超过一百万份核准报告.
• 应用DL模型,包括具有tf-idf的feedforward神经网络,用于变量提取和AF开始识别.
• 使用NLP技术处理非结构化文本数据,以改善AF病例识别.

主要成果:

• 在预测AF发作方面,DL模型实现了高精度 (0.986).
• 人工智能系统将AF识别中的错误率降低了50%.
• 对AF识别的最终错误率小于2%.

结论:

• 人工智能,特别是DL和NLP,可显著优化数据集准确性,用于医疗保健中的预测建模.
• 这种方法提高了用于预测分析的二次数据的可靠性,特别是对于心房动.
• 这些发现为研究人员使用人工智能在临床环境中进行预测分析提供了宝贵的见解.