通过临床文本注释预测中风事件后的功能结果:传统机器学习和深度学习方法的比较研究

科学领域:

• 神经学 神经学
• 医疗信息学 医疗信息学
• 机器学习 机器学习

背景情况:

• 对急性缺血性中风后的功能结果的准确预测对于医疗保健资源分配至关重要.
• 用于预测中风结果的文本挖掘模型通常集中在传统的机器学习上,深度学习的比较有限.

研究的目的:

• 为了比较传统的机器学习和深度学习方法来预测急性缺血性中风后的功能结果.
• 评估用于中风结果预测模型的不同特征表示技术.

主要方法:

• 来自台湾一家医院的临床文本笔记被用来开发预测模型.
• 评估了四种特征表示技术:词袋 (BOW),术语频率-反向文档频率 (TF-IDF),ELMo和BERT.
• 测试了四种预测模型:k-最近邻居 (KNN),支持向量机 (SVM),卷积神经网络 (CNN) 和长短期记忆 (LSTM).

主要成果:

• 支持矢量机 (SVM) 分类器与字袋 (BOW) 功能实现了最佳性能.
• 功能融合策略,如BOW + TF-IDF和BOW + BERT,也显示出强大的预测能力.
• 与SVM结合的BOW + TF-IDF组合显示了最小的I型错误,最大限度地降低了结果差的患者的错误分类.

结论:

• 传统的机器学习方法在此中风预测结果研究中表现优于深度学习模型.
• 结合BOW + TF-IDF功能与SVM,提供了最准确的预测和最低的错误阳性风险.
• 这种方法提供了一种可靠的方法来优化中风患者管理和资源配置.