基于深度学习的自然语言处理用于自由文本医疗叙述中不良事件检测：以全髋关节置换脱位检测为例
计算与语言
2020-11-26 v2 信息检索
机器学习
摘要
从自由文本医疗叙述中准确及时地检测医疗不良事件(AEs)具有挑战性。基于深度学习的自然语言处理(NLP)已在分析自由文本数据方面展现出巨大潜力，但其在医疗AE检测中的应用仍有限。在本研究中，我们提出了基于深度学习的NLP(DL-NLP)模型，用于从标准(放射学笔记)和非标准(随访电话笔记)自由文本医疗叙述中高效准确地检测全髋关节置换后的髋关节脱位AE。我们将这些提出的模型与多种传统的基于机器学习的NLP(ML-NLP)模型进行了基准比较，并评估了国际疾病分类(ICD)和当前操作术语(CPT)代码在多中心骨科登记库中捕获这些髋关节脱位AE的准确性。所有DL-NLP模型均优于所有ML-NLP模型，其中卷积神经网络(CNN)模型取得了最佳总体性能(放射学笔记Kappa = 0.97，随访电话笔记Kappa = 1.00)。另一方面，发生髋关节脱位AE的患者的ICD/CPT代码准确率仅为75.24%，显示出所提模型可用于大型骨科登记库中以准确高效地检测髋关节脱位AE，从而改善护理质量和患者预后。
引用
@article{arxiv.2004.08333,
title = {Natural Language Processing with Deep Learning for Medical Adverse Event Detection from Free-Text Medical Narratives: A Case Study of Detecting Total Hip Replacement Dislocation},
author = {Alireza Borjali and Martin Magneli and David Shin and Henrik Malchau and Orhun K. Muratoglu and Kartik M. Varadarajan},
journal= {arXiv preprint arXiv:2004.08333},
year = {2020}
}