应用NLP方法来编码电子健康记录中的功能性能,使用国际功能,残疾和健康分类

科学领域:

• 医疗信息学 医疗信息学
• 临床自然语言处理 (cNLP)
• 康复医学 康复医学 康复医学

背景情况:

• 临床记录包含有关患者功能和生活健康经验的重要信息.
• 通过cNLP自动提取功能数据有助于临床决策,治疗计划,结果预测和健康政策.
• 国际功能,残疾和健康分类 (ICF) 为描述健康和功能提供了一个标准化的框架.

研究的目的:

• 评估ICF框架对于开发cNLP工具的适用性.
• 在cNLP中应用ICF时遇到的挑战.
• 提出建议,以改善ICF在cNLP中的应用.

主要方法:

• 使用ICF作为手动注释自由文本电子健康记录 (EHR) 的框架.
• 对来自美国社会保障局 (SSA) 和NIH临床中心的数据进行了注释.
• 使用cNLP工具来提取ICF活动领域的信息.

主要成果:

• 在四个关键ICF领域出现了概念和内容挑战:流动性,自我照顾和家庭生活,人际交互和关系,以及沟通和认知.
• 基于这些遇到的问题,制定了更新ICF的建议.
• 当ICF被应用到一个新的用例 (SSA残疾确定) 时,它已经证明了它的有效性.

结论:

• 在超出其原始范围的用例中,ICF被证明是有效的,突出了其在代表现实世界的运作方面的优缺点.
• 这项研究为改进ICF及其与cNLP模型的集成奠定了基础.
• 加强整合将为临床医生,研究人员和决策者提供强大的信息工具,以确定用于决策和政策制定的功能信息.