在老年人临床试验中根据SOAP笔记和传感器特征对不良事件进行分类

早期检测不良事件和跌倒损伤可能改善老年群体临床试验中的患者安全结局。本研究评估了结合结构化SOAP记录与远程生物物理传感器测量数据的多模态模型，用于分类农村地区老年参与者在临床试验中发生的不良事件和跌倒事件。研究采用XGBoost分类器，分别基于BioBERT、BioClinicalBERT和BERT-Uncased生成的SOAP记录嵌入特征，并融合或不融合传感器特征，在对照组与干预组队列中进行比较。在未融合传感器特征的情况下，BioClinicalBERT在对照组主观（Subjective）部分对不良事件分类表现最佳（AUROC=0.89，召回率=0.88），而干预组中以BioBERT表现最优（AUROC=0.86，召回率=0.73）。传感器特征在对照组中对不良事件的区分能力与召回率更高（AUROC=0.68，召回率=0.80），优于干预组（AUROC=0.57，召回率=0.10）。在跌倒事件分类中，传感器特征在对照组（AUROC=0.87，召回率=0.32）和干预组（AUROC=0.84，召回率=0.12）均优于嵌入特征。评估（Assessment）与计划（Planning）部分在所有嵌入特征模型中的AUROC均显著较低。将传感器特征与嵌入特征融合后，主观与客观（Objective）部分的表现接近完美（AUROC=1.0，召回率=1.0），显著优于未融合的嵌入特征。从SOAP记录中提取的命名实体识别（NER）标记分析显示，模型性能差异与队列特定的记录实践相关。干预组的SOAP内容更以患者为中心，主观部分词数更多，AUROC置信区间更窄，反映出更高的临床参与度和更优的事件捕捉能力。这些结果表明，将临床叙述性记录与连续传感器测量相结合，可提升对不良事件和跌倒损伤的预测能力，从而可能增强临床试验安全性，并减少面对面评估的频率。