变压器模型的评估,用于检测药物不良事件:一个基准研究,使用荷兰的入院患者的自由文本文件
Rachel M Murphy1,2,3, Nishant Mishra1,4, Nicolette F de Keizer1,2,3
1Department of Medical Informatics, Amsterdam UMC Location University of Amsterdam, Meibergdreef 15, Amsterdam, The Netherlands.
荷兰的MedRoBERTa.nl模型在临床笔记中最好地检测不良药物事件 (ADEs),优于其他变压器和Bi-LSTM. 外部验证证实了其对ADE检测的概括潜力.
科学领域:
- 自然语言处理 (NLP) 是一种自然语言处理.
- 临床信息学 临床信息学
- 生物医学数据科学 生物医学数据科学
背景情况:
- 药物不良事件 (ADEs) 是可预防的医院伤害的主要原因.
- 目前的ADE检测受到非结构化临床笔记中的数据的限制.
- 通过NLP自动检测ADE提供了一个有前途的解决方案.
研究的目的:
- 在荷兰临床文本中评估用于ADE检测的变压器模型.
- 建立一个基准,使用现实的场景和适当的指标.
- 为了执行模型性能的外部验证.
主要方法:
- 在荷兰的ADE和ICU公司中训练了Bi-LSTM和四种变压器模型 (BERTje,RobBERT-base,MedRoBERTa.nl,NuNER).
- 使用命名实体识别 (NER) 和关系分类 (RC) 任务.
- 在WINGS集体上进行了五重交叉验证和外部验证.
主要成果:
- MedRoBERTa.nl获得了最高的内部性能 (宏观F1: 0.63).
- 所有模型都显示出高的微平均F1得分 (±0.99).
- MedRoBERTa.nl在ADE检测方面表现出强大的外部验证回忆 (0.67-0.74).
结论:
- 域特定的MedRoBERTa.nl在检测荷兰临床文本中的ADEs方面表现出色,超过了Bi-LSTM.
- 外部验证证实了模型的概括能力.
- 突出了对ADE等罕见事件的宏观平均F1分数的重要性,并为未来的NLP研究提供了基准.
更多相关视频
07:50A Metadata Extraction Approach for Clinical Case Reports to Enable Advanced Understanding of Biomedical Concepts
Published on: September 20, 2018
07:31Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
相关概念视频
Pharmacovigilance
This process, termed pharmacovigilance, aims to detect, evaluate, and minimize harmful effects related to medication use. The data collection for pharmacovigilance depends on spontaneous reporting systems, where healthcare professionals or patients voluntarily report suspected ADRs.
In some cases, there...
Therapeutic Drug Monitoring: Drug Analysis Methods
Therapeutic Drug Monitoring: Affecting Factors
Drug Toxicity: Risk factors
Impact of Pharmacokinetic–Pharmacodynamic Models: Regulatory Decisions
Pharmaceutical Poisoning: Potential Scenarios
