使用图形机器学习来识别ICF的低背痛患者的功能

科学领域:

• 医疗信息学 医疗信息学
• 机器学习应用 机器学习应用
• 康复医学 康复医学 康复医学

背景情况:

• 世界卫生组织的功能,残疾和健康国际分类 (ICF) 提供了一个标准化的框架来评估患者的功能.
• ICF分类的复杂性阻碍了其在临床实践中的广泛采用.
• 自动化从电子健康记录 (EHR) 中提取ICF代码对于有效实施至关重要.

研究的目的:

• 评估Headai Graphmind图形机器学习引擎在芬兰EHR中识别ICF代码时的有效性.
• 评估机器学习模型的性能与领域专家的手动编码.
• 确定ICF自动编码在临床实践和追溯数据分析中的潜力.

主要方法:

• 收集了93名患有慢性腰痛的成年患者 (18-65岁) 的数据集.
• 应用Headai Graphmind引擎对20个患者记录的样本来提取ICF代码.
• 性能指标 (精度,回忆,F1分数) 通过将机器提取的代码与人类专家识别的代码进行比较来计算.

主要成果:

• 头部图形思维表现出高性能,精度为0.95,回忆率为0.83,F1得分为0.89.
• 该引擎识别了112个不同的ICF代码,与域专家识别的119个代码密切一致.
• 该研究证实了Headai Graphmind能够识别慢性腰部疼痛的EHR中的ICF代码的能力.

结论:

• 在临床环境中,Headai Graphmind引擎在自动化ICF代码识别方面显示出显著的前景.
• 这项技术可以促进ICF分类系统的实际实施.
• 自动化ICF编码可以增强对医疗数据的追溯分析,支持研究和质量改进.