基于机器学习-自然语言处理工作流程的医疗器械召回启动因素深度分析

医疗器械召回启动因素的识别与评估是防止召回的前置步骤。传统分析工具不适用于综合、完整地处理海量多格式数据，以满足日益增长的数据量和文本数据格式所带来的更高精细化管理要求。本研究提出一种基于大数据的机器学习-自然语言处理工作工具，以解决传统工具在实际大数据volume和多数据格式情境下处理效率和数据处理灵活性的不足。本研究利用该 ML-NLP 工具，对2018至2024年间公开的医疗器械召回数据库进行了医疗器械召回启动因素的识别、评估和分析。结果表明，无监督的基于密度的空间聚类噪声（DBSCAN）聚类算法能够以特定方式呈现每个单一召回启动因素，从而帮助实践者在短时间内全面、完整地识别召回原因。这随后采用基于文本相似性的文本分类，以帮助控制召回启动因素的分组规模，并从操作、战术甚至战略层面提供管理见解。该 ML-NLP 工作工具不仅能捕获每个召回启动因素的具体细节，还能解释现有启动因素之间的内在联系，可用于风险识别和评估的前瞻性 SC 中。最后，本文提出一些结论性意见，并呈现未来工作。未来预期将更加主动地实践医疗器械召回控制解决方案。