通过自然语言处理算法检测到的跌倒的评估,并没有编码疾病的外部原因

科学领域:

• 老年学是指老年学的学科.
• 公共卫生 公共卫生
• 医疗信息学 医疗信息学

背景情况:

• 跌倒是老年人死亡和残疾的主要原因.
• 目前使用诊断代码的方法低估了跌倒的真实发生率.
• 准确识别与落相关的急诊室 (ED) 访问对于公共卫生监测和患者护理至关重要.

研究的目的:

• 应用自然语言处理 (NLP) 算法来识别老年人中与秋季相关的ED访问.
• 将NLP识别的患者的特征与传统诊断代码识别的患者的特征进行比较.
• 评估不同识别策略对了解跌倒患病率和患者结果的影响.

主要方法:

• 一项横截面研究分析了2016年12月至2020年老年人的ED遭遇数据.
• 一个NLP算法处理供应商的注释,以检测与下降相关的关键词,不包括否定或虚假的提及.
• 作为传统的比较方法,使用了国际疾病分类 (ICD) 代码.

主要成果:

• 在50,153例中,NLP算法确定了14,604例与跌倒相关的ED遭遇.
• 近一半 (49%) 的NLP确定的病例被ICD基于代码的方法错过了.
• 仅通过NLP识别的患者具有更高的并发病率得分和30天死亡率增加,通常与诸如败血症或脏疾病等严重疾病有关.

结论:

• 与传统方法相比,NLP算法显著提高了与跌倒有关的ED访问的检测.
• 这种改进的识别突出了一个易受伤害的患者子组,通常被标准监测遗漏.
• 在解释NLP发现时,必须仔细考虑跌倒和潜在疾病之间的因果关系.