从临床笔记中挖掘物理康复训练信息：自然语言处理算法开发与验证研究
计算与语言
2024-03-18 v2 人工智能
摘要
卒中后患者康复需要精准、个性化的治疗方案。自然语言处理（NLP）有潜力从临床笔记中提取有价值的训练信息，助力开发更有效的康复策略。目的：本研究旨在开发并评估多种 NLP 算法，以从匹兹堡大学医学中心接受治疗的卒中后患者临床笔记中提取并分类物理康复训练信息。研究确定了 13,605 名诊断为卒中的患者队列，并检索了含康复治疗记录的临床笔记。我们创建了全面的临床本体来表示物理康复训练的各个方面。随后开发并比较了最先进的 NLP 算法，包括基于规则的、基于机器学习的算法，以及基于大语言模型（LLM）的算法（ChatGPT）。分析在包含 23,724 条具有详细人口统计学与临床特征笔记的数据集上进行。基于规则的 NLP 算法在大多数区域表现更优，尤其在检测“右侧”部位时 F1 值为 0.975，超越 Gradient Boosting 0.063。Gradient Boosting 在“下肢”部位检测中表现出色（F1 值：0.978），超过基于规则的 NLP 0.023。其在“被动关节活动度”中也表现显著，F1 值为 0.970，较基于规则的 NLP 提升 0.032。基于规则的算法高效处理“时长”、“组数”和“次数”，F1 值达 0.65。基于 LLM 的 NLP，尤其是带少样本提示的 ChatGPT，取得了高召回率但精度与 F1 值普遍较低。但其在“后向平面”运动检测中表现突出，F1 值为 0.846，超越基于规则算法的 0.720。
引用
@article{arxiv.2303.13466,
title = {Mining Clinical Notes for Physical Rehabilitation Exercise Information: Natural Language Processing Algorithm Development and Validation Study},
author = {Sonish Sivarajkumar and Fengyi Gao and Parker E. Denny and Bayan M. Aldhahwani and Shyam Visweswaran and Allyn Bove and Yanshan Wang},
journal= {arXiv preprint arXiv:2303.13466},
year = {2024}
}