利用上下文相关性通过零样本学习识别临床笔记中的自杀记录
人工智能
2023-01-10 v1 计算与语言
摘要
在临床笔记的电子健康记录数据中识别包括自杀意念、自杀企图与危险因素在内的自杀倾向十分困难。一个主要困难在于，在筛查患者数量日益增多的情况下，真正阳性实例极少，导致训练样本匮乏。本文描述了一种新方法，通过零样本学习解决该数据稀疏问题，从而识别临床笔记中的自杀倾向。数据采用美国退伍军人事务部临床笔记。训练数据集标签由自杀企图与自伤的诊断码确定。一个与自杀倾向目标标签相关的基串被用于提供辅助信息，将阳性训练病例缩小至包含该基串者。通过将被训练文档内容映射至语义空间来训练深度神经网络。作为比较，我们使用相同的训练数据集标签与词袋特征训练了另一个深度神经网络。在多个概率阈值下，零样本学习模型在 AUC、灵敏度、特异度与阳性预测值方面均优于基线模型。在应用 0.90 概率阈值时，该方法以 94% 的准确率识别出了未关联相关 ICD 10 CM 码但记录了自杀倾向的笔记。该新方法无需人工标注即可有效识别自杀倾向。
引用
@article{arxiv.2301.03531,
title = {Leveraging Contextual Relatedness to Identify Suicide Documentation in Clinical Notes through Zero Shot Learning},
author = {Terri Elizabeth Workman and Joseph L. Goulet and Cynthia A. Brandt and Allison R. Warren and Jacob Eleazer and Melissa Skanderson and Luke Lindemann and John R. Blosnich and John O Leary and Qing Zeng Treitler},
journal= {arXiv preprint arXiv:2301.03531},
year = {2023}
}
备注
8 pages, 4 figures, 5 tables