跨机构牙科电子健康记录实体提取通过生成人工智能和合成笔记

科学领域:

• 牙科信息学 牙科信息学
• 医疗保健中的人工智能
• 自然语言处理应用程序

背景情况:

• 电子健康记录 (EHR) 广泛使用,但通常包含非结构化的自由文本数据.
• 电子健康记录中的非结构化数据限制了机器学习算法的二次使用和分析.
• 当前的文档化做法阻碍了有效的数据分析和研究.

研究的目的:

• 应用先进的AI和NLP技术,以改善从牙周临床笔记中提取诊断信息.
• 为了自动提取数据,减少牙科记录中缺少的信息.
• 克服手动注释在牙科数据中NLP部署的障碍.

主要方法:

• 利用大型语言模型 (LLM),特别是生成预训练变压器4,创建合成医疗笔记.
• 微调了使用合成数据的RoBERTa模型,用于增强牙科语言的解释,重点是牙周诊断.
• 通过手动审查360个随机选择的临床笔记来评估模型性能.

主要成果:

• 在牙周诊断数据提取方面取得了高准确性,在参与站点的加权平均得分为0.97-0.98.
• 在牙周病诊断的各个方面表现一致:阶段,等级和程度.
• 合成数据生成有效地减少了手动注释的需求,同时保持了模型质量.

结论:

• 人工智能和NLP通过改进临床文档分析,为医疗保健研究带来变革的潜力.
• 开发的方法表明,它有望在各机构中得到更广泛的采用,从而增强临床数据的再利用.
• 未来的研究应该专注于改善医疗保健环境中人工智能模型的上下文理解能力.