利用主动学习标注健康社会决定因素并基于神经事件抽取刻画决定因素
计算与语言
2021-03-12 v2 机器学习
摘要
健康的社会决定因素(SDOH)影响健康结局，而SDOH知识可为临床决策提供信息。从临床文本中自动抽取SDOH信息需要基于标注语料库训练的数据驱动信息抽取模型，这些语料库具有异质性且经常包含关键SDOH。本工作提出一个带有SDOH标注的新语料库、一种新颖的主动学习框架，以及在该新语料库上的首批抽取结果。社会史标注语料库(SHAC)包含4,480个社会史章节，对12种SDOH进行了详细标注，刻画了18K个不同事件的状态、程度和时序信息。我们引入一种新颖的主动学习框架，该框架使用代理文本分类任务作为更复杂事件抽取任务的替代来选择标注样本。该主动学习框架成功提高了健康风险因素的出现频率，并较无导向标注改善了这些事件的自动抽取。在SHAC上训练的事件抽取模型在来自三家机构的数据上，对物质使用状态(0.82-0.93 F1)、就业状态(0.81-0.86 F1)和居住状态类型(0.81-0.93 F1)取得了较高的抽取性能。
引用
@article{arxiv.2004.05438,
title = {Annotating Social Determinants of Health Using Active Learning, and Characterizing Determinants Using Neural Event Extraction},
author = {Kevin Lybarger and Mari Ostendorf and Meliha Yetisgen},
journal= {arXiv preprint arXiv:2004.05438},
year = {2021}
}