使用基于机器学习的自然语言处理来量化与澳大利亚首都地区自杀或自我伤害相关的急诊室演示

科学领域:

• 公共卫生 公共卫生
• 医疗信息学 医疗信息学
• 计算语言学 计算语言学

背景情况:

• 自杀和自我伤害是一个全球性的健康挑战,需要准确的数据来进行有效的干预和政策制定.
• 目前用于识别急诊室 (ED) 自我伤害陈述的方法通常是低效的或低估了真正的患病率.
• 及时和全面的数据对于理解和解决自杀和自我伤害行为至关重要.

研究的目的:

• 评估一种基于机器学习的新型自然语言处理 (NLP) 程序,用于量化与自杀念头或行为相关的ED表现.
• 将NLP程序的性能与ICD-10-AM编码和关键字搜索等传统方法进行比较.
• 评估NLP方法在识别与自我伤害相关的ED访问中的准确性,效率和全面性.

主要方法:

• 开发并实施基于机器学习的NLP程序来分析ED分拣笔记的自杀和自我伤害指标.
• 将NLP程序识别的陈述与使用国际疾病统计分类和相关健康问题,第十次修订,澳大利亚修改 (ICD-10-AM) 代码识别的情况进行了比较.
• 使用关键字搜索作为一种额外的比较方法来识别相关的ED介绍.

主要成果:

• 在2015年7月至2022年6月期间,NLP程序确定了27298个与自杀或自我伤害有关的ED陈述,远远超过ICD-10-AM代码识别的10399个.
• 在识别相关演示文稿时,NLP程序表现出高性能,精度为0.89和回忆率为0.94.
• 手动审查证实NLP的识别是最准确,最全面和最有效的方法.

结论:

• 现有的方法在澳大利亚首都地区识别出不到40%与自杀或自我伤害相关的ED表现.
• 开发的NLP程序提供了一种卓越的方法,用于准确量化紧急部门的自杀和自我伤害陈述.
• 通过这种NLP工具改进数据识别将提高对自杀和自我伤害问题的理解和管理.