问答系统从临床笔记中提取注射药物使用信息
人工智能
2023-12-29 v2 计算与语言
机器学习
摘要
背景：注射药物使用（IDU）是一种危险的健康行为，会增加死亡率与发病率。早期识别 IDU 并启动降低危害干预可使高危个体获益。然而，从患者电子健康记录（EHR）中提取 IDU 行为十分困难，因为不存在国际疾病分类（ICD）代码，且唯一可标明 IDU 信息之处为非结构化自由文本临床笔记。尽管自然语言处理可高效从非结构化数据中提取该信息，但目前尚无经验证工具。方法：为弥补临床信息这一缺口，我们设计并演示了一个问答（QA）框架，用于从临床笔记中提取 IDU 信息。我们的框架包含两个主要步骤：（1）生成金标准 QA 数据集；（2）开发与测试 QA 模型。我们利用源自 VA 企业数据仓库的 1145 名患者的 2323 份临床笔记构建金标准数据集，用于开发与评估 QA 模型。我们还演示了 QA 模型在时间分布外数据上提取 IDU 相关信息的能力。结果：此处我们展示，对于金标准与预测答案的严格匹配，QA 模型取得 51.65% 的 F1 分数。对于金标准与预测答案的宽松匹配，QA 模型获得 78.03% 的 F1 分数，以及 85.38% 的精确率与 79.02% 的召回率分数。此外，QA 模型在时间分布外数据下表现出一致性能。结论：我们的研究引入了旨在从临床笔记提取 IDU 信息的 QA 框架，以期提升对注射药物使用者的准确高效检测、提取相关信息，并最终促进知情患者照护。
引用
@article{arxiv.2305.08777,
title = {Question-Answering System Extracts Information on Injection Drug Use from Clinical Notes},
author = {Maria Mahbub and Ian Goethert and Ioana Danciu and Kathryn Knight and Sudarshan Srinivasan and Suzanne Tamang and Karine Rozenberg-Ben-Dror and Hugo Solares and Susana Martins and Jodie Trafton and Edmon Begoli and Gregory Peterson},
journal= {arXiv preprint arXiv:2305.08777},
year = {2023}
}
备注
31 pages, 11 tables, 7 figures