基于异构儿童心理健康临床笔记的动态主题语言模型
计算与语言
2024-11-04 v2 机器学习
应用统计
机器学习
摘要
心理健康疾病影响儿童的生活和福祉，自 COVID-19 大流行以来受到了越来越多的关注。利用主题模型分析精神科临床笔记对于评估儿童随时间变化的心理状态至关重要。然而，很少有主题模型是为纵向场景构建的，且大多数现有方法未能捕捉每个文档的时间轨迹。为应对这些挑战，我们开发了一种动态主题模型，该模型在演变的文档元数据上具有一致的主题和个性化的时间依赖性。我们的模型保留了所发现主题随时间的语义含义，并纳入了文档间的异质性。特别是，当文档可以分类时，我们提出了一种无需分类器的方法来最大化不同文档组之间的主题异质性。我们还提出了一种适用于多阶段纵向场景的高效变分优化过程。在本案例研究中，我们将该方法应用于南加州一家大型三级儿科医院的精神科临床笔记，使提取主题的整体连贯性提高了 38%。我们的真实数据分析表明，儿童在州政府封锁期间倾向于表达更多的负面情绪，而在学校重新开放时则更多表达正面情绪。此外，分析表明，性与性别少数群体 (SGM) 儿童对 COVID-19 重大事件表现出更明显的反应，且对疫苗相关新闻比非 SGM 儿童更为敏感。本研究考察了大流行期间儿童心理健康的进展，并为临床医生识别与儿童性取向和性别身份相关的心理健康差异提供了有价值的见解。
引用
@article{arxiv.2312.14180,
title = {Dynamic Topic Language Model on Heterogeneous Children's Mental Health Clinical Notes},
author = {Hanwen Ye and Tatiana Moreno and Adrianne Alpern and Louis Ehwerhemuepha and Annie Qu},
journal= {arXiv preprint arXiv:2312.14180},
year = {2024}
}