在电子健康记录 (EHR) 中自动检测污名化语言,使用多阶段转移学习方法
Liyang Xue1, A M Muntasir Rahman1, Charles R Senteio1
1Department of Library and Information Science, School of Communication & Information, Rutgers University, New Brunswick, NJ, 08901, United States.
Journal of the American Medical Informatics Association : JAMIA
|November 9, 2025
概括
这项研究引入了一种新的NLP框架,用于自动检测电子健康记录 (EHR) 中的污名化语言. 该方法显著提高了准确性,促进了公平和尊重的临床文档.
科学领域:
- 自然语言处理 (NLP) 是一种自然语言处理.
- 医疗保健中的人工智能 (AI)
- 临床信息学 临床信息学
背景情况:
- 电子健康记录 (EHR) 中的污名化语言可以引入偏见并对患者护理产生负面影响.
- 自动检测污名化语言对于改善医疗保健文档至关重要.
- 现有的方法可能很难在临床笔记中识别微妙的偏差.
研究的目的:
- 开发和评估一种新的多阶段转移学习框架,用于自动检测电子健康记录中的污名化语言.
- 通过改进偏见检测,提高临床文档的客观性和尊重性.
- 为识别和减轻医疗保健中的污名化语言提供统计验证的工具.
主要方法:
- 开发了一个多阶段的转移学习框架,整合语义,语法和任务适应.
- 该框架的训练和测试是在4129个被删除的EHR笔记的数据集上进行的.
- 使用Longformer,BERT和ClinicalBERT模型评估性能,与包括GPT-4o在内的各种基线模型进行比较.
主要成果:
- 拟议的转移学习框架在完全适应的Longformer模型中实现了最高准确率89.83%.
- 与所有基线模型相比,在邦费罗尼校正后,性能改善在统计学上显著 (p < .05).
- 该框架在各种类型的污名化语言中表现出强的表现.
结论:
- 域适应性NLP对于检测电子健康记录中的污名化语言是有价值的.
- 多阶段转移学习框架有效地识别了传统模型错过的微妙偏差.
- 这种方法支持负责任的AI开发,并通过使更客观的临床文档成为可能,促进健康公平.
