使用自然语言处理筛查活动性心力衰竭患者：面向全院监测的探索
计算与语言
2016-09-07 v1 计算机与社会
摘要
在本文中，我们提出了两种不同的方法，即基于规则的方法和基于机器学习的方法，通过分析电子健康记录 (EHR) 自动识别活动性心力衰竭病例。对于基于规则的方法，我们从临床笔记中提取心血管数据元素，并使用心力衰竭专家提供的规则，根据患者的心力衰竭状况将其匹配到不同颜色。该方法达到了 69.4% 的准确率和 0.729 的 F1-Score。对于机器学习方法，以临床笔记的 bigram 为特征，我们尝试了四种不同的模型，其中使用线性核的 SVM 取得了最佳性能，准确率为 87.5%，F1-Score 为 0.86。此外，通过四种不同模型之间的分类比较，我们认为线性模型更适合该问题。一旦我们将机器学习算法与基于规则的算法相结合，我们将通过提高输出的准确性和可解释性，实现对活动性心力衰竭的全院监测。
引用
@article{arxiv.1609.01580,
title = {Using Natural Language Processing to Screen Patients with Active Heart Failure: An Exploration for Hospital-wide Surveillance},
author = {Shu Dong and R Kannan Mutharasan and Siddhartha Jonnalagadda},
journal= {arXiv preprint arXiv:1609.01580},
year = {2016}
}