出院总结中的不良事件抽取：新数据集、标注方案与初始发现
计算与语言
2025-06-19 v1
摘要
本文提出了一个用于从老年患者出院总结中抽取不良事件（AE）的手动标注语料库，该 population 常被 clinical NLP 资源所忽视。数据集包含 14 种临床意义突出的不良事件（如跌倒、意识混乱和颅内出血），并附带上下文属性（如否定、诊断类型及住院期间发生情况）。标注方案独特之处在于支持连续和重叠实体，解决了先前工作中鲜见的挑战。我们使用 FlairNLP 评估了多个模型，基于三种标注粒度：细粒度、粗粒度及粗粒度+否定。虽然 transformer 模型（如 BERT-cased）在文档级粗粒度抽取中取得优异性能（F1 = 0.943），但在细粒度实体级任务（如 F1 = 0.675）中性能显著下降，尤其是针对稀有事件和复杂属性。这些结果表明，尽管高水平得分令人鼓舞，但在检测被低估的不良事件及捕捉细腻临床语言方面仍面临重大挑战。该数据集在受信任研究环境（TRE）中开发，经 DataLoch 批准后可获取，为评估不良事件抽取方法并支持跨数据集泛化提供了稳健基准。
引用
@article{arxiv.2506.14900,
title = {Adverse Event Extraction from Discharge Summaries: A New Dataset, Annotation Scheme, and Initial Findings},
author = {Imane Guellil and Salomé Andres and Atul Anand and Bruce Guthrie and Huayu Zhang and Abul Hasan and Honghan Wu and Beatrice Alex},
journal= {arXiv preprint arXiv:2506.14900},
year = {2025}
}
备注
Accepted and will be published at ACL2025 (main conference)