一个基于规则的自动化选模型,使用自然语言处理用于疼痛药物开发和实施.
Lan Jiang1, Yu-Li Huang1, Jungwei Fan2
1Robert D. and Patricia E. Kern Center for the Science of Health Care Delivery, Mayo Clinic, Rochester, Minnesota, United States.
Applied clinical informatics
|December 18, 2025
概括
一个用于疼痛药物的新自动推分类系统使用自然语言处理 (NLP) 和后处理规则来提高患者调度的准确性. 这种以知识为导向的方法明显优于机器学习模型,提高了效率和资源配置.
科学领域:
- 医疗信息学 医疗信息学
- 临床工作流的优化 临床工作流优化
- 在医疗保健中的自然语言处理.
背景情况:
- 疼痛药缺少标准化选方案,导致护理延迟和资源效率低下.
- 自动化系统可以简化患者的时间安排,并改善获得适当的疼痛管理治疗的机会.
研究的目的:
- 开发一种基于规则的,自动推的疼痛药物分类系统,使用患者的医疗笔记.
- 提高患者安排特定疼痛药物程序的准确性和效率.
主要方法:
- 开发了一个基于规则的系统,利用自然语言处理 (NLP) 和从临床专业知识中获得的后处理规则.
- 通过对76例患者病例的审查,代地改进了NLP和后处理规则.
- 将系统集成到电子健康记录 (EHR) 平台中,用于实时应用,并纳入后处理回归模型.
主要成果:
- 经过三次代,NLP和后处理规则的准确性从76.3%提高到80.3%,超过了初步的机器学习 (ML) 方法.
- 后处理模型进一步提高了准确度,达到84.2%.
- 现实世界的实施实现了83.5%的准确性,显示了比ML模型 (p=0.018) 的统计显著改进.
结论:
- 一个以知识为导向的,自动化选系统是可行的,对疼痛药物转诊过程有益的.
- 这种方法为开发其他医疗专业中类似的分组解决方案提供了基础.
- 该系统增强了调度工作流程和在临床环境中的可用性.


