将文本挖掘应用于临床笔记:从电子健康记录 (EHR) 中识别患者特征

科学领域:

• 在医疗保健中的自然语言处理 (NLP)
• 临床信息学 临床信息学
• 挖掘健康数据 挖掘健康数据

背景情况:

• 临床笔记包含患者的重要特征,如果错过,会增加不良事件的风险.
• 忽视电子健康记录 (EHR) 中的患者数据可能导致错误沟通.
• 这项研究解决了对患者信息自动提取的需求.

研究的目的:

• 评估使用文本挖掘来从电子健康记录中提取患者特征的可行性.
• 为了比较文本挖掘与人类智能的有效性.
• 确定四个关键的患者特征:语言障碍,独自生活,认知脆弱和不坚持.

主要方法:

• 从1,120个患者档案中创建了一个手册"黄金"标准.
• 基于规则 (RB) 的SQL查询用于简单的术语.
• 命名实体识别 (NER) 模型用于复杂的术语.
• 模型性能与手册标准相比,使用回忆,特异性,精度,NPV和F1得分进行了评估.

主要成果:

• 语言障碍RB查询实现了高回忆率 (0.99) 和特异性 (0.96).
• NER模型显示出不同的表现:独自生活 (回忆0.81-0.86),认知脆弱 (回忆0.59-0.73) 和不坚持 (回忆0.75-0.90).
• 模型表现出倾向于高估特征,有时错误地将家庭成员的障碍归因于患者.

结论:

• 文本挖掘是从电子健康记录中提取患者特征的可行方法.
• 对于复杂的术语,NER模型的性能通常优于RB查询.
• 为了更广泛的临床应用,建议对这些模型进行改进.