自然语言处理技术在医院网络信息管理系统中的应用:提高诊断准确性和效率的潜力

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.
• 机器学习 机器学习

背景情况:

• 在电子健康记录 (EHR) 中处理扫描文件对医院网络信息管理系统 (HNIMS) 提出了挑战.
• 整合自然语言处理 (NLP),光学字符识别 (OCR) 和图像预处理对于克服这些挑战至关重要.

研究的目的:

• 通过将NLP技术应用于HNIMS来提高医疗保健中的诊断效率和准确性.
• 为了有效地处理包含睡眠问题的诊断的扫描PDF文档.

主要方法:

• 在扫描的PDF文档上使用光学字符识别 (OCR) 和图像预处理 (灰度缩放).
• 使用 Bag of Words (BoW) 提取特征,并开发了一个新的隐藏贝叶斯集成密集Bi-LSTM (HB-DBi-LSTM) 模型.
• 训练了密集的Bi-LSTM模型,使用亚当优化在100个时代中进行训练,训练-验证比例为6:1.

主要成果:

• 该HB-DBi-LSTM模型在评估诊断数据 (AHI,SaO2) 中表现出高性能.
• 在测试套件上取得了优异的指标,包括F1得分 (0.9637),准确度 (0.9321),回忆力 (0.9421),精度 (0.9532).
• 文档层面的检查证实了该模型在信息提取方面的有效性.

结论:

• 强调需要在HNIMS内部建立强大的NLP系统,以提高诊断速度和准确性.
• 强调NLP对于在EHR系统中高效处理扫描文档的重要性.
• 建议开发的HB-DBi-LSTM模型作为改善医疗保健诊断的可行解决方案.