利用大型语言模型和自然语言处理来从心脏压力测试中对缺血状况进行分类,在一个大型多中心医疗保健系统中

科学领域:

• 心脏病学 心脏病学
• 医疗信息学 医疗信息学
• 自然语言处理自然语言处理.

背景情况:

• 心肌缺血的血管造影前记录对于患者的安全至关重要.
• 从非结构化的电子医疗记录中提取这些数据具有挑战性.
• 医疗质量评估需要有效的数据提取方法.

研究的目的:

• 评估自然语言处理 (NLP) 系统用于分类心脏应力测试报告.
• 确定最准确和可行的NLP系统来识别心肌缺血.
• 实施一个NLP解决方案来评估护理质量.

主要方法:

• 微调了四个BERT大型语言模型 (LLM),并开发了一个基于规则的NLP系统.
• 在退伍军人卫生管理局 (VHA) 的654份注释压力测试报告上进行了培训,验证和测试系统.
• 应用了基于规则的系统来分类超过160万份压力测试报告.

主要成果:

• 临床BERT模型获得了92.7%的F1评分,而基于规则的NLP系统获得了92.5%的F1评分.
• 基于规则的NLP系统显示了高精度 (88.1%) 和回忆 (97.4%).
• 基于规则的系统可用于大规模的质量评估,分析了超过160万份报告.

结论:

• NLP系统,特别是基于规则的方法,准确有效地分析心脏应力测试报告.
• 这项技术可实现高通量分析,用于评估护理质量.
• 使用NLP提高了识别心肌缺血的能力,改善了患者的风险管理.