由深度学习命名实体识别驱动的紧急医疗服务临床审核系统
计算与语言
2020-07-08 v1 计算机与社会
机器学习
摘要
临床性能审核在紧急医疗服务（EMS）中常规开展，以确保对治疗方案的遵循、识别个体薄弱环节以改进，并发现系统性缺陷以指导培训大纲的制定。目前，这些审核通过人工病历审查进行，耗时且费力。在本文中，我们提出一种基于结构化与非结构化救护车病例记录及临床笔记、并采用基于深度神经网络的命名实体识别模型的自动审核系统。本研究使用的数据集包含新加坡民防部队在 2019年4月1日 至 2019年6月30日 期间遇到的 58,898 起未标注救护车事件。我们采用弱监督训练方法标注句子。随后，我们训练了三种不同模型执行 NER 任务。在实体类型匹配评估下，三个模型均取得约 0.981 的 F1 分数，在严格评估下约 0.976，而 BiLSTM-CRF 模型比我们基于 BERT 的模型轻 1~2 个数量级且更快。总体而言，我们的方法产出了一个能可靠从非结构化护理人员自由文本报告中识别临床实体的命名实体识别模型。我们提出的系统可提升临床性能审核效率，并有助于 EMS 数据库研究。
引用
@article{arxiv.2007.03596,
title = {An Emergency Medical Services Clinical Audit System driven by Named Entity Recognition from Deep Learning},
author = {Wang Han and Wesley Yeung and Angeline Tung and Joey Tay Ai Meng and Davin Ryanputera and Feng Mengling and Shalini Arulanadam},
journal= {arXiv preprint arXiv:2007.03596},
year = {2020}
}