使用自然语言处理识别眼科诊所的运输需求:回顾性,横截面研究
Lauren M Wasser1, Hai-Wei Liang1, Chenyu Li2
1Department of Ophthalmology, University of Pittsburgh School of Medicine, 1622 Locust Street, 5th floor, Pittsburgh, PA, 15219, United States, 1 412-642-5382.
JMIR medical informatics
|September 6, 2025
概括
自然语言处理 (NLP) 可以识别眼睛护理笔记中的运输不安全性,帮助患者获得资源. 这种方法可以准确地检测医疗服务的难度,改善患者的支持和结果.
科学领域:
- 眼科 眼科
- 卫生信息学
- 自然语言处理
背景情况:
- 交通不安全是获得眼科护理的重要障碍,对患者的视觉结果产生负面影响.
- 电子健康记录往往缺乏有关运输挑战的结构化数据,这阻碍了患者的识别和支持.
- 免费的临床笔记提供了一个潜在的途径,以更有效地捕捉与运输有关的障碍.
研究的目的:
- 开发和验证自然语言处理 (NLP) 算法,以识别眼科诊所的自由文本中的运输不安全性.
- 评估使用NLP来检测电子健康记录中的运输障碍的可行性.
- 改善因交通而面临眼科护理困难的患者的识别.
主要方法:
- 一项回顾性,横截面研究分析了来自成年患者的1,801,572份眼科诊所笔记 (2016-2023年).
- 开发基于规则的NLP算法,以检测非识别的自由文本临床文档中的运输不安全性.
- 通过使用精度,回忆和F1评分来评估性能,对NLP算法的验证.
主要成果:
- 该NLP算法成功识别了726名运输不安全的患者 (0,6%),表现出高性能 (精度为0.860,回忆为0.960,F1得分为0.778).
- 与年轻人相比,老年患者 (≥80岁) 发生运输不安全的可能性明显高.
- 与白人患者相比,亚洲患者的运输不安全性较低;没有发现性别或种族的显著差异 (黑人与白人).
结论:
- 自然语言处理 (NLP) 是从非结构化的眼科临床笔记中准确识别运输不安全的可行工具.
- 这种NLP方法可以帮助主动识别有运输障碍的患者,促进及时转介到必要的资源.
- 更好地捕捉交通不安全性可以带来更好的患者支持,并可能提高眼科护理环境中的视觉结果.
