一个新的自然语言处理模型用于分离头部和部患者的预约
Stefanie Seo1, Andy S Ding1, Syed Ameen Ahmad1
1Department of Otolaryngology-Head and Neck Surgery, Johns Hopkins University School of Medicine, Baltimore, Maryland, USA.
概括
一个新的自然语言处理 (NLP) 模型准确地对头癌患者进行分类. 这种工具有助于预测病理和紧急情况,有可能改善患者护理并减少延误.
科学领域:
- 医疗信息学 医疗信息学
- 在瘤学瘤学.
- 耳鼻喉科 耳鼻喉科 耳鼻喉科
背景情况:
- 不准确的患者分组导致治疗延迟和增加发病/死亡率,特别是在癌症患者中.
- 临床能力的有效管理对于最佳的患者结果至关重要.
- 头癌患者的分组需要精确和及时的评估.
研究的目的:
- 开发和评估一个自然语言处理 (NLP) 模型,用于H&N患者分类.
- 评估NLP模型在分类病理和预测预约紧迫性的准确性.
- 确定该模型作为H&N患者工作流程中的辅助工具的潜力.
主要方法:
- 在一个学术机构进行了一项回顾性队列研究.
- 开发了一种NLP模型,并应用于83名新的H&N患者的转诊文件 (临床笔记,成像,病理学报告).
- 该模型预测了病理类型,恶性瘤风险和预约紧迫性,最终诊断作为黄金标准.
主要成果:
- 对于病理类型,NLP模型实现了81.9%的准确性,对于紧急程度达到86.8%.
- 对各种H&N病理,包括非内分泌瘤 (88.9%) 和甲状腺 (88.9%) 和副甲状腺 (100%) 病理,观察到高灵敏度.
- 该模型在预约紧迫性方面表现出强大的预测性能,马修斯相关系数为0.698.8.
结论:
- NLP模型在预测H&N诊断和推文件中的紧急性方面表现强.
- 该工具可以帮助卫生保健实践协调员查转诊,从而有可能优化患者护理途径.
- 该模型识别紧急病例的能力可能会显著改善对H&N癌症患者的管理.
