使用自然语言处理来识别系统性乳腺细胞瘤的症状

科学领域:

• 医疗信息学 医疗信息学
• 自然语言处理自然语言处理.
• 罕见疾病 罕见疾病

背景情况:

• 系统性巨细胞瘤 (SM) 是一种罕见的多系统性疾病,具有多种症状,往往导致诊断延迟.
• 电子健康记录 (EHR) 中的非结构化临床笔记包含有价值的症状数据,但缺乏可扩展的提取方法.
• 早期识别MS受到系统记录和分析患者症状的挑战所阻碍.

研究的目的:

• 开发和验证一种自然语言处理 (NLP) 算法,用于识别23种潜在的MS相关症状.
• 评估算法在从SM和比较组的非结构化EHR数据中提取症状的有效性.
• 评估NLP在改善早期发现MS等罕见疾病方面的潜力.

主要方法:

• 一项回顾性研究利用了来自南加利福尼亚州凯泽永久医院 (2008-2023) 的EHR数据.
• 基于规则的NLP算法是使用注释训练数据开发的,并通过双重注释的笔记进行验证.
• 该算法应用于来自MS,慢性自发性疹 (CSU) 和对照患者的大量电子健康记录 (EHR) 队列.

主要成果:

• 对于大多数MS相关症状,NLP算法表现出高精度和回忆 (超过90%).
• 由于含糊不清的引用,人们注意到"腹膜或腹部膨胀"和"胀"的精度较低.
• 症状记录在不同组之间有所不同,SM患者表现出更多的胃肠道和全身症状,CSU患者表现出更多的皮肤症状.

结论:

• 基于规则的NLP是可行的,用于识别MS症状从非结构化的EHR叙述有很强的性能.
• 该算法成功地提取了症状记录中的有意义模式,支持其用于罕见疾病研究的实用性.
• NLP应用可以提高罕见疾病的早期识别,并为数据驱动的医疗保健策略提供信息.