用于自然语言处理的神经网络,以确定眼科急诊室的治疗紧急情况

科学领域:

• 眼科医生 眼科 眼科
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 眼科急诊室有效的患者管理对于安全和资源优化至关重要.
• 准确及时确定治疗的紧迫性是一个关键的挑战.
• 人工智能 (AI) 为改善分拣过程提供了潜在的解决方案.

研究的目的:

• 开发和评估一个人工智能驱动的神经网络,用于预测眼科治疗的紧迫性.
• 评估AI模型在将患者病例分类为紧急或非紧急的情况下的准确性.

主要方法:

• 一项涉及1715名患者的回顾性研究使用了一个问卷,其中自由文本和检查框的答案作为输入数据.
• 开发了一个混合神经网络,结合了来自变压器的双向编码器表示 (BERT) 来进行语言处理和多层感知器 (MLP).
• 使用可解释的AI方法来识别关键的决策特征.

主要成果:

• 伯特-MLP模型获得了0.81的高F1得分,超过了三个独立的眼科医生 (F1得分为0.77,0.75,0.73).
• 该模型在预测治疗紧迫性方面表现出强烈的灵敏度 (0.89) 和特异性 (0.58).
• 可解释的人工智能分析证实,该模型的决策是基于临床相关特征.

结论:

• 基于人工智能的神经网络有效地使用自然语言和结构化数据预测眼科治疗的紧迫性.
• 这种人工智能工具有可能在紧急情况下增加初始患者评估.
• 未来的研究应该侧重于验证,准确性改进,工作流集成和道德考虑.