利用电子健康记录系统中的自然语言处理开发与评估AI辅助预测模型，用于择期神经外科术后非计划重症监护入院预测
计算与语言
2025-03-14 v1 人工智能
摘要
引言：在专科神经重症治疗病房（ITU）中及时护理可降低死亡率和住院时间，计划入院比非计划入院更安全。然而，术后护理决策仍具主观性。本研究利用人工智能（AI），特别是自然语言处理（NLP），分析电子健康记录（EHR），以预测择期手术患者的ITU入院。方法：本研究使用NLP分析了伦敦大学学院医院（UCLH）择期神经外科患者的EHR。患者被分为计划高依赖病房（HDU）或ITU入院；非计划HDU或ITU入院；或病房/过夜恢复（ONR）。医学概念标注工具（MedCAT）用于在临床记录中识别SNOMED-CT概念。随后我们探讨了这些识别出的概念对于一系列用于预测ITU入院的AI算法的效用。结果：最初在医院全院EHR上训练的CogStack-MedCAT NLP模型经历了两次优化：第一次使用正常压力脑积水（NPH）患者数据，第二次使用前庭神经鞘瘤（VS）患者数据，达到了0.93的概念检测F1分数。该优化后的模型随后用于从2268名符合条件的神经外科患者的EHR记录中提取概念。我们将提取的概念整合到AI模型中，包括决策树模型和神经时间序列模型。使用较简单的决策树模型，我们在ITU入院预测上实现了0.87的召回率（置信区间0.82-0.91），将人类专家遗漏的非计划ITU病例比例从36%降低到4%。结论：经精度优化的NLP模型已被证明在提取相关概念方面具有高效性，为预测性AI模型在临床有效应用中的使用提供了可靠基础。
引用
@article{arxiv.2503.09927,
title = {Developing and Evaluating an AI-Assisted Prediction Model for Unplanned Intensive Care Admissions following Elective Neurosurgery using Natural Language Processing within an Electronic Healthcare Record System},
author = {Julia Ive and Olatomiwa Olukoya and Jonathan P. Funnell and James Booker and Sze H M Lam and Ugan Reddy and Kawsar Noor and Richard JB Dobson and Astri M. V. Luoma and Hani J Marcus},
journal= {arXiv preprint arXiv:2503.09927},
year = {2025}
}