对真实医学数据的AI算法进行比较分析,用于慢性疼痛检测
Carmela Comito1, Agostino Forestiero1, Davide Macrì1
1Institute for High-Performance Computing and Networking, National Research Council, Italy.
International journal of medical informatics
|June 12, 2025
概括
人工智能 (AI) 通过机器学习和自然语言处理有效地检测意大利临床笔记中的慢性疼痛. 这种自动化方法提高了从简短的文档中识别慢性疼痛病例的准确性和效率.
科学领域:
- 医疗信息学 医疗信息学
- 计算语言学 计算语言学
- 医疗保健中的人工智能
背景情况:
- 慢性疼痛是一个重大的医疗保健挑战,通常依赖于主观和耗时的手动文档审查.
- 整合人工智能 (AI) 提供了一条自动化和标准化临床文本分析的途径,以改善慢性疼痛管理.
- 本研究重点是利用人工智能在意大利临床笔记中检测慢性疼痛.
研究的目的:
- 研究机器学习 (ML) 和自然语言处理 (NLP) 技术在从意大利临床笔记中识别慢性疼痛方面的有效性.
- 了解与慢性疼痛相关的临床文档中的模式,以开发高效,数据驱动的解决方案.
- 实现实时决策支持,并在临床实践中标准化慢性疼痛评估.
主要方法:
- 在1008个注释的意大利临床笔记上训练了XGBoost,梯度提升 (GBM) 和基于BERT的模型 (BioBit,bert-base-italian-xxl).
- 采用TF-IDF,Word2Vec和FastText用于树型模型中的输入文本编码;用于变压器的标记化.
- 在碎片化文本上评估模型,模拟现实的使用,通过贝叶斯优化和分层交叉验证进行强大的超参数调整.
主要成果:
- 在基于AI的慢性疼痛检测中实现了高整体准确性.
- 带有TF-IDF嵌入的XGBoost表现出卓越的性能,F1得分为0.92 ± 0.01 (精度:94%,灵敏度:91%,特异性:93%).
- 慢性疼痛笔记比非慢性疼痛笔记要短得多,并且含有较少的独特单词,这凸显了简洁文档的重要性.
结论:
- 人工智能模型有效地从零碎的临床笔记中识别慢性疼痛,为医疗保健NLP建立了基线.
- 拟议的方法减少了手动审查的负担,支持实时决策,并可以标准化慢性疼痛评估.
- 未来的工作将探索嵌入技术的短,上下文限制的临床笔记,解决动态上下文模型的挑战,如BERT.
