自动去标识化在不同病历类型上的性能
计算与语言
2021-02-23 v1
摘要
自由文本临床病历详述了患者诊疗的各个方面，在促进质量改进与保障工作以及推进临床研究方面具有巨大潜力。然而，对患者隐私和保密性的担忧限制了临床病历用于研究。因此，记录于这些病历中的信息对大多数研究者仍不可用。去标识化（de-id），即定位并移除个人身份识别的受保护健康信息（PHI），是提高临床叙述可及性的一种途径。然而，能够跨不同数据源与医学专科稳定检测 PHI 的现成去标识化系统十分有限。在本摘要中，我们展示了最先进的去标识化系统 NeuroNER1 在来自华盛顿大学（UW）的一组多样化病历上的性能，其模型分别在外部机构（Partners Healthcare）数据与同一机构（UW）数据上训练。我们给出了在 PHI 层面与病历类型层面的结果。
引用
@article{arxiv.2102.11032,
title = {Performance of Automatic De-identification Across Different Note Types},
author = {Nicholas Dobbins and David Wayne and Kahyun Lee and Özlem Uzuner and Meliha Yetisgen},
journal= {arXiv preprint arXiv:2102.11032},
year = {2021}
}