在荷兰的初级保健中,人工智能驱动的早期传染病检测使用BERT和ERNIE

科学领域:

• 计算流行病学计算流行病学
• 人工智能在公共卫生中的应用
• 为疾病监测而进行自然语言处理.

背景情况:

• 传统的疾病监测系统难以应对新出现的传染病的早期,非特异性信号.
• 及时的公共卫生干预至关重要,但由于当前监测方法的局限性,经常会被推迟.
• 需要自主,疾病不可知工具来分析非结构化的健康数据,以便早期检测威胁.

研究的目的:

• 引入和评估使用神经信息编码 (ERNIE) 的早期识别,这是用于早期检测非典型疾病集群的NLP框架.
• 评估ERNIE从没有预定义的诊断标签的非结构化初级保健数据中识别新出现的健康威胁的能力.
• 展示ERNIE在可扩展,人工智能驱动的卫生系统监测方面的潜力.

主要方法:

• ERNIE框架使用非结构化初级保健数据的无监督语言建模.
• 根据来自荷兰北部的数据进行培训,并通过外部数据集进行验证.
• 对检测非典型疾病集群进行评估,包括COVID-19,RSV和模拟西尼罗河病毒病例,与控制数据相比.

主要成果:

• 在第一例确诊病例之前,ERNIE已经确定了早期的COVID-19类集群.
• 在2021年激增期间成功检测到呼吸道同胞细胞病毒 (RSV) 模式.
• 实现了高性能指标:咨询级回忆率为0.97,集群精度为0.82,集群回忆率为0.90.

结论:

• 通过分析常规的临床文本,ERNIE可以通过早期的,可解释的检测新出现的健康威胁,从而绕过依赖诊断代码.
• 疾病不可知性框架显示出在各种健康领域识别非典型临床模式的巨大潜力.
• 支持可扩展,人工智能驱动的监测,以加强公共卫生监测和及时干预.