从使用自然语言处理的非结构化电子健康记录进行自动化败血症预测:一个回顾性队列研究
Lipi Mishra1, Sowmya Muchukunte Ramaswamy2, Broderick Ivan McCallum-Hee3
1Intensive Care Unit, Sir Charles Gairdner Hospital, Nedlands, Western Australia, Australia.
BMJ health & care informatics
|September 15, 2025
概括
人工智能 (AI) 模型,包括随机森林和BERT,通过分析自由文本患者数据,在急诊室早期检测败血症方面显示出希望. 这种方法改善了诊断和识别错过的病例,增强了败血症预测.
科学领域:
- 医疗信息学 医疗信息学
- 临床决策支持系统 临床决策支持系统
- 医疗保健中的人工智能
背景情况:
- 在急诊室 (EDs) 中的败血症预测面临着整合AI,NLP和自由文本的挑战.
- 在ED triage时有效的败血症诊断对于及时干预至关重要.
研究的目的:
- 评估人工智能在改善ED诊断中的败血症诊断方面的有效性.
- 评估人工智能模型,包括NLP和自由文本分析,用于败血症预测.
主要方法:
- 对134,266名ED患者进行了回顾性队列研究 (2016年1月至2021年12月).
- 分析了10个变量和自由文本选评论,使用代币化和词包模型.
- 评估后勤回归,LightGBM,随机森林,神经网络和BERT分类器.
- 性能指标:精度召回曲线下的面积 (AUPRC) 和曲线下的面积 (AUC).
主要成果:
- 随机森林获得了最高的预测性能 (AUPRC: 0.789,AUC: 0.80).
- 使用原始文本的BERT模型显示出强的性能 (AUPRC: 0.7542,AUC: 0.7735).
- 关键的预测变量包括ED治疗时间,患者年龄和分拣规模.
结论:
- 人工智能,特别是随机森林和BERT,显示了使用自由文本数据在ED中早期检测败血症的潜力.
- 将自由文本与机器学习相结合,可以提高败血症的诊断,并识别错过的病例.
- 人工智能驱动的临床决策支持系统可以改善ED中的败血症预测;有必要进行前性研究.
