构建一个反评论分析模型,用于评估内镜外科技能

科学领域:

• 外科教育的外科教育
• 医疗信息学 医疗信息学
• 自然语言处理自然语言处理.

背景情况:

• 手术技能评估依赖于教练的反,反往往是复杂和无组织的.
• 现有的反方法缺乏标准化,阻碍了有效的外科技能评估.
• 开发用于分析反的自动化系统对于改善外科培训至关重要.

研究的目的:

• 开发和评估一种自然语言处理 (NLP) 模型,用于手术程序的自动分类.
• 分析与个别外科医生技能相关的反评论趋势.
• 评估模型在根据能力和情绪极性对反进行分类方面的表现.

主要方法:

• 利用了来自结直肠内镜手术技能资格申请人的1813项评价意见.
• 手动分类评论为五个能力 (组织处理,精神运动技能,解剖质量,曝光质量,效率) 和两个情绪极性 (积极/消极).
• 构建并验证了一种NLP模型,用于自动反评论分类和分析.

主要成果:

• 在NLP模型中,能力分类的准确度为0.75,情绪两极性为0.94.
• 使用NLP模型对1526个病例的分析显示,在合格外科医生组中,积极反的比例明显更高.
• 该模型在组织和分析外科手术反意见方面表现出了效率.

结论:

• 开发的NLP模型有效地组织了对外科手术的反,增强了技能评估.
• 这种自动化方法可以大大促进改善外科教育和培训.
• 用NLP驱动的反分析提供了一种可扩展和客观的方法来评估外科能力.