NLP-ROPCare:使用自然语言处理预测早产儿视网膜病变,并提供使用自然语言处理的入院说明

科学领域:

• 眼科医生 眼科 眼科
• 新生儿科学 新生儿科学
• 医疗信息学 医疗信息学

背景情况:

• 在全球范围内,早产视网膜病变 (ROP) 是儿童失明的重要原因.
• 有效的预测模型对于及时处理ROP至关重要.
• 目前的预测方法可能无法充分利用现有的临床数据.

研究的目的:

• 开发和评估一种新的预测模型,NLP-ROPCare,用于ROP发生和严重程度.
• 在非结构化的临床笔记上利用自然语言处理 (NLP) 进行ROP预测.
• 将NLP模型的性能与传统机器学习方法进行比较.

主要方法:

• 一项回顾性观察性研究包括3922名早产婴儿 (妊娠年龄≤32周或出生体重≤2000克).
• 四个预先训练的语言模型 (BERT,RoBERTa,MC-BERT,NEZHA) 在自由形式的入学笔记上接受了培训.
• 性能与使用结构化数据的随机森林和支持矢量机模型进行了比较,通过准确性,精度,回忆,F1分数和AUC来评估.

主要成果:

• 与严重程度相比,NLP模型在预测ROP发生方面表现优越.
• NEZHA模型在ROP发生预测方面取得了最高的准确性 (F1得分:89.35%,AUC:0.90),表现优于机器学习模型.
• 对于ROP严重程度,RoBERTa产生的AUC最高 (0.91),F1得分为78.44%.

结论:

• 集成NEZHA和RoBERTa的NLP-ROPCare,可以从非结构化的入院说明中预测ROP的发生和严重程度.
• 这种模型表明,在早产婴儿中早期预防ROP的巨大潜力.
• 建议进行外部验证,以进一步完善模型和更广泛的应用.