从电子健康记录笔记中自动识别驱逐状态
摘要
目的：驱逐是重要的社会与行为健康决定因素。驱逐与一系列负面事件相关，可导致失业、住房无保障/无家可归、长期贫困及心理健康问题。本研究中，我们开发了一个自然语言处理系统，用于从电子健康记录(EHR)笔记中自动检测驱逐状态。材料与方法：我们首先定义驱逐状态（驱逐发生与驱逐时段），随后标注来自退伍军人健康管理局(VHA)的5000份EHR笔记中的驱逐状态。我们开发了新颖模型KIRESH，其已证明大幅优于其他state-of-the-art模型，如微调预训练语言模型BioBERT与BioClinicalBERT。此外，我们设计了一种新颖提示，通过利用驱逐发生与时段预测两个子任务间的内在联系进一步提升模型性能。最后，我们对KIRESH-Prompt方法采用基于温度缩放的校准，以避免不平衡数据集引起的过度自信问题。结果：KIRESH-Prompt大幅优于强基线模型，包括微调BioClinicalBERT模型，在预测驱逐时段上达到0.74672 MCC、0.71153宏-F1与0.83396微-F1，在预测驱逐发生上达到0.66827 MCC、0.62734宏-F1与0.7863微-F1。我们还在基准社会健康决定因素(SBDH)数据集上进行了额外实验以证明方法的泛化性。结论与未来工作：KIRESH-Prompt显著改进了驱逐状态分类。我们计划将KIRESH-Prompt部署至VHA的EHR中作为驱逐监测系统，以帮助解决美国退伍军人的住房无保障问题。
引用
@article{arxiv.2212.02762,
title = {Automated Identification of Eviction Status from Electronic Health Record Notes},
author = {Zonghai Yao and Jack Tsai and Weisong Liu and David A. Levy and Emily Druhl and Joel I Reisman and Hong Yu},
journal= {arXiv preprint arXiv:2212.02762},
year = {2023}
}
备注
This article has been accepted for publication in Journal of the American Medical Informatics Association Published by Oxford University Press. https://doi.org/10.1093/jamia/ocad081