LeafAI：媲美人类程序员的临床队列发现查询生成器
计算与语言
2023-08-16 v2
摘要
目的：在临床数据库中识别符合研究条件的患者是临床研究的关键步骤。然而，准确的查询设计通常需要广泛的技术与生物医学专业知识。我们试图创建一个能够生成数据模型无关查询，同时为复杂临床试验入排标准提供新颖逻辑推理能力的系统。材料与方法：从入排标准创建查询的任务需要解决若干文本处理问题，包括命名实体识别、关系抽取、序列到序列转换、规范化与推理。我们为此结合了混合深度学习与基于规则的模块，以及统一医学语言系统（UMLS）和关联本体的知识库。为实现数据模型无关的查询创建，我们引入了一种利用 UMLS 概念标注数据库模式元素的新方法。为评估我们称为 LeafAI 的系统，我们将 LeafAI 的能力与一名人类数据库程序员进行比较，以识别本机构开展的 8 项临床试验中已入组的患者。我们通过生成查询匹配到的实际入组患者数量来衡量性能。结果：LeafAI 在 8 项临床试验中平均匹配了 43% 的入组患者，共 27,225 名符合条件者；相比之下，人类数据库程序员的查询匹配了 27%、14,587 名符合条件者。人类程序员花费 26 小时编写查询，而 LeafAI 仅需数分钟。结论：我们的工作贡献了一个最先进的、能够利用知识库进行条件推理的数据模型无关查询生成系统。我们证明 LeafAI 在寻找临床试验合格患者方面可媲美经验丰富的人类程序员。
引用
@article{arxiv.2304.06203,
title = {LeafAI: query generator for clinical cohort discovery rivaling a human programmer},
author = {Nicholas J Dobbins and Bin Han and Weipeng Zhou and Kristine Lan and H. Nina Kim and Robert Harrington and Ozlem Uzuner and Meliha Yetisgen},
journal= {arXiv preprint arXiv:2304.06203},
year = {2023}
}