自然语言处理和机器学习对创伤中的伤害机制的分类模型

科学领域:

• 医疗信息学 医疗信息学
• 自然语言处理自然语言处理.
• 机器学习 机器学习

背景情况:

• 创伤研究数据库需要大量资源来创建和维护.
• 自然语言处理 (NLP) 为从非结构化临床文本中提取结构化数据提供了一个潜在的解决方案.
• 自动化数据提取可以简化创伤研究数据库的开发.

研究的目的:

• 开发和评估一种使用NLP的机器学习算法,用于对创伤机制进行分类.
• 确定NLP算法的准确性和效率,以区分穿透性和非穿透性损伤.
• 评估NLP作为补充创伤记录抽象者的工具的潜力.

主要方法:

• 来自创伤患者的临床笔记被收集并分为训练,调和测试集.
• 使用一个词袋模型,使用术语频率-反向文档频率权重,然后进行单数值分解以减少维度.
• 随机森林,支向量机和后勤回归模型经过训练和评估,使用接收器运行特征曲线和精度指标下的面积.

主要成果:

• NLP模型实现了高性能,接收器下面的区域运行特征曲线值为0.99-1.00,模型的准确性为0.98.
• 该算法通过4944个独特的术语进行训练,识别了30个不同的受伤主题.
• 训练和分类非常高效,运行时间分别为234秒和0.15秒.

结论:

• 一个简单的NLP机器学习算法表现出了优异的准确性和歧视性,用于对创伤患者的伤害机制进行分类.
• 在创伤研究中,NLP提出了一种可扩展和准确的方法,用于自动化创伤研究中的临床笔记审查.
• 这项技术可以有效地补充人类抽象器在创伤数据库的构建和维护.