使用自然语言处理对计算机断层扫描成像指示的自动抽象,用于评估长期肺癌幸存者的监视模式

科学领域:

• 医疗信息学 医疗信息学
• 放射学 放射学是一门学科.
• 在瘤学瘤学.

背景情况:

• 计算机断层扫描 (CT) 监测是肺癌 (LC) 监测的标准.
• 关于CT对整体存活时间 (OS) 的影响的现实世界证据不一致.
• 混因素包括非监视CT指示 (例如,症状评估).

研究的目的:

• 开发一种新的自然语言处理 (NLP) 模型来预测CT成像指示.
• 在LC幸存者中区分监视CT和CT用于其他目的.
• 澄清CT监测与整体存活率 (OS) 之间的关联.

主要方法:

• 利用了585名长期LC幸存者的电子健康记录.
• 综合结构化数据 (CT间隔) 用关键词分析对3,362个5年后的CT报告进行了分析.
• 采用一种新的NLP模型来预测指示,并进行倾向调整的生存分析.

主要成果:

• NLP模型在预测CT指标方面表现出高的歧视性 (AUC,0.86).
• 关键预测因素包括较长的CT间隔 (≥6个月) 和与监测相关的短语.
• 倾向调整后的分析显示,5年后监测CT患者的生存状况有所改善 (aHR,0.60;P=.016).

结论:

• NLP模型有效地从现实数据中抽象CT指示.
• 准确的指示预测对于了解CT监测对OS的真正影响至关重要.
• 这种模型对未来的瘤学真实世界证据研究具有潜力.