利用预训练 Transformer 架构从临床笔记中提取心绞痛症状
人工智能
2020-10-13 v1 计算与语言
摘要
心绞痛症状可提示心脏风险增加及心血管处理方案需调整。本研究评估了使用在特定领域语料上微调的 Transformers 双向编码器（BERT）语言模型从医师笔记中提取这些症状的潜力。纳入了 459 份专家标注的初级保健医师笔记中现病史部分，这些笔记来自因心脏检查转诊、无已知动脉粥样硬化性心血管疾病的连续患者。对胸痛和呼吸困难表征的阳性与阴性提及进行了标注。结果表明，对胸痛或不适、胸骨后胸痛、呼吸困难和劳力性呼吸困难的检测具有高灵敏度和高特异度。小样本量限制了对胸痛诱发与缓解相关因素的提取。本研究为表征临床可操作心绞痛症状的临床笔记自然语言处理提供了有前景的起点。
引用
@article{arxiv.2010.05757,
title = {Extracting Angina Symptoms from Clinical Notes Using Pre-Trained Transformer Architectures},
author = {Aaron S. Eisman and Nishant R. Shah and Carsten Eickhoff and George Zerveas and Elizabeth S. Chen and Wen-Chih Wu and Indra Neil Sarkar},
journal= {arXiv preprint arXiv:2010.05757},
year = {2020}
}