使用微调的临床语言模型在临床文本中识别药物不良事件:机器学习研究
Elizaveta Kopacheva1, Aron Henriksson2, Hercules Dalianis2
1Department of Computer Science and Media Technology, Faculty of Technology, Linnaeus University, Universitetsplatsen 1, Växjö, 352 52, Sweden, 46 737033730.
JMIR formative research
|September 11, 2025
概括
这项研究微调了SweDeClin-BERT模型,在瑞典临床笔记中自动检测不良药物事件 (ADEs),比以前的方法更高的准确性. 综合方法改善了对ADEs的识别,这对患者安全至关重要.
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
- 药物监督 药物监督 药物监督
背景情况:
- 药物不良事件 (ADEs) 是一个重要的医疗保健问题,通常在结构化的电子健康记录 (EHR) 中没有记录.
- 对ADE检测临床笔记的手动审查是劳动密集型和耗时的.
- 为了有效检测,需要从临床文本中自动提取ADE信息.
研究的目的:
- 微调瑞典无标识临床双向编码器从变压器 (SweDeClin-BERT) 的名称实体识别 (NER) 和关系提取 (RE) 的模型.
- 实施一个集成的NER-RE管道,以改善瑞典临床笔记中的ADE识别.
- 将微调模型的性能与传统机器学习方法 (CRF和RF) 的性能进行比较.
主要方法:
- 从斯德哥尔摩EPR库 (2009-2010) 中抽取和注释了一组涉嫌ADE的临床笔记 (ICD-10代码A.1,A.2).
- 对于NER和RE任务,SweDeClin-BERT模型进行了微调.
- 一个集成的NER-RE管道开发和评估了395份临床笔记,随后进行了错误分析.
主要成果:
- 62%的注释包含明确的ADE描述,突出仅依赖ICD-10代码的局限性.
- 微调的SweDeClin-BERT实现了高性能:F1得分为0.845的NER和0.81的RE.
- 集成的NER-RE管道实现了0.81的整体F1得分,明显超过了基线模型.
结论:
- 与传统的机器学习相比,SweDeClin-BERT等特定领域的语言模型显著改善了临床笔记中的ADE检测.
- 微调模型显示出有希望的结果,但需要在不同的医院环境中进行进一步的验证,以获得通用性.
- 建议包括修订注释指南,并解决瑞典复合/分割实体的挑战.
更多相关视频
07:50A Metadata Extraction Approach for Clinical Case Reports to Enable Advanced Understanding of Biomedical Concepts
Published on: September 20, 2018
16.4K
05:47Evidence-based Knowledge Synthesis and Hypothesis Validation: Navigating Biomedical Knowledge Bases via Explainable AI and Agentic Systems
Published on: June 13, 2025
1.3K
