面向临床医生倦怠监测的叙事驱动计算框架
计算与语言
2025-09-08 v1 人工智能
摘要
临床医生倦怠对患者安全构成重大威胁，特别是在高敏锐度重症监护室 (ICU) 中。现有研究主要依赖于回顾性调查工具或广泛的电子健康记录 (EHR) 元数据，往往忽略了临床记录中嵌入的有价值的叙事信息。在这项研究中，我们分析了来自 MIMIC-IV 的 10,000 份 ICU 出院总结，这是一个源自 Beth Israel Deaconess Medical Center 电子健康记录的公开数据库。该数据集包含多样化的患者数据，包括生命体征、医嘱、诊断、手术、治疗以及去标识化的自由文本临床记录。我们引入了一种混合流水线，结合了针对临床叙事微调的 BioBERT 情感嵌入、为临床医生倦怠监测量身定制的词汇压力词典，以及带有工作负荷代理变量的五主题潜在 Dirichlet 分配 (LDA)。一个提供者级别的逻辑回归分类器在分层留出集上实现了 0.80 的精确率、0.89 的召回率和 0.84 的 F1 分数，比仅使用元数据的基线高出 0.17 或以上的 F1 分数。特定专科分析表明，放射科、精神科和神经科的提供者倦怠风险升高。我们的研究结果表明，ICU 临床记录包含可用于主动健康监测的可操作信号。
引用
@article{arxiv.2509.04497,
title = {A Narrative-Driven Computational Framework for Clinician Burnout Surveillance},
author = {Syed Ahmad Chan Bukhari and Fazel Keshtkar and Alyssa Meczkowska},
journal= {arXiv preprint arXiv:2509.04497},
year = {2025}
}
备注
6 pages, 6 Figure