通过基于提取的语言模型分类来提高医院出院安排的预测

科学领域:

• 临床信息学 临床信息学
• 自然语言处理自然语言处理.
• 医疗保健预测分析 预测分析

背景情况:

• 有效的护理过渡规划需要早期识别出院到熟练护理设施 (SNFs) 的患者.
• 预测性临床信息往往分散在漫长的入院史和身体 (H&P) 笔记中.
• 现有的语言模型面临着长长的文件,杂的数据和缺乏透明度的挑战.

研究的目的:

• 开发和评估基于提取的语言模型分类 (ELC) 用于预测SNF排放.
• 评估来自ELC的AI风险快照是否改善了与H&P原始文本相比的语言模型性能.
• 为了减轻语言模型在处理广泛的临床文档时的局限性.

主要方法:

• 开发了ELC以将H&P提炼成结构化数据和简洁的AI风险快照.
• 追溯地比较了使用H&P原始文本,截断的笔记,结构化提取数据和AI风险快照的九种语言模型.
• 使用接收器操作特征曲线 (AUROC) 下面的区域和精度召回曲线 (AUPRC) 下面的区域评估模型性能.

主要成果:

• ELC显著减少了输入数据长度 (AI风险快照中位数为141个令牌,原始H&P中位数为2120个令牌).
• 平均AUROC和AUPRC在使用ELC衍生的预测器时在模型中得到改善.
• 在AI风险快照上微调的Bio+Clinical BERT实现了最高的AUROC0.851.

结论:

• ELC有效地构建和总结H&P笔记,克服语言模型令牌长度限制.
• 人工智能风险快照提高了预测性能和可解释性,与临床评估保持一致.
• ELC代表了一种有前途的方法,可以改善SNF释放预测,并促进护理过渡.