MIMICause：临床笔记中因果关系的表示与自动抽取
计算与语言
2022-03-15 v2
摘要
理解临床笔记中传达的因果叙事有助于实现个性化医疗。从临床笔记中抽取的因果信息可与结构化电子健康记录（EHR）数据（如患者人口统计学、诊断和用药）相结合。这将增强医疗提供方识别临床笔记中传达的患者故事各方面的能力，并帮助做出更明智的决策。本工作中，我们提出标注指南、构建标注语料库并提供基线分数，以识别临床笔记中一对生物医学概念之间因果关系的类型与方向；这些关系可隐式或显式传达，可在单句中或跨多句识别。我们标注了从2018年n2c2共享任务数据集中采样的共2714个去标识示例，并训练了四种不同的基于语言模型的架构。基于我们的指南进行的标注取得了高标注者间一致性，即Fleiss' kappa（）分数0.72，而我们用于因果关系识别的模型在测试数据上取得了宏平均F1分数0.56。临床文本的高标注者间一致性显示了我们标注指南的质量，而提供的基线F1分数则为未来理解临床文本叙事的研究指明了方向。
引用
@article{arxiv.2110.07090,
title = {MIMICause: Representation and automatic extraction of causal relation types from clinical notes},
author = {Vivek Khetan and Md Imbesat Hassan Rizvi and Jessica Huber and Paige Bartusiak and Bogdan Sacaleanu and Andrew Fano},
journal= {arXiv preprint arXiv:2110.07090},
year = {2022}
}
备注
Accepted at the Findings of ACL 2022