早期诊断膝关节骨关节炎以自然语言处理驱动的方法,基于临床医生的笔记:开发和验证研究

科学领域:

• 医疗信息学医学信息学
• 自然语言处理自然语言处理.
• 机器学习 机器学习

背景情况:

• 膝关节骨关节炎 (OA) 是一种普遍的疾病,导致严重的残疾.
• 早期诊断和治疗对于管理OA进展至关重要.
• 目前的诊断方法 (成像,实验室测试) 耗时且可能是主观的.

研究的目的:

• 开发一种基于自然语言处理 (NLP) 的新方法来诊断膝关节OA.
• 从临床医生的笔记中利用患者报告的症状来改善OA预测.
• 探索文本数据在膝关节OA诊断中的实用性.

主要方法:

• 使用NLP技术预处理的临床笔记.
• 采用深度学习模型:卷积神经网络 (CNN),双向长期短期记忆 (BiLSTM) 和门式循环单元 (GRU).
• 整合了WOMAC (西安大略省和麦克马斯特大学关节炎指数) 问卷以提高模型性能.

主要成果:

• 在WOMAC集成之前,BiLSTM模型实现了0.85的AUC和0.87的准确性.
• 在应用基于WOMAC的方法后,BiLSTM的性能得到了改善,AUC为0.91,精度为0.91.
• 在所有指标上都观察到显著的改善,包括精度,灵敏度,特异性和F1分数.

结论:

• 与传统方法相比,拟议的NLP方法在预测膝关节OA方面表现优越.
• 包含症状描述的临床笔记是膝关节OA预测的有价值和可访问的数据来源.
• 这种方法为早期检测和治疗膝关节OA提供了一个可行的替代方案.