评估临床情感分析和主题提取在精神科再入院风险预测中的功效
本文介绍了一种基于电子病历的读入住预测模型,通过话题提取构建模型,获取精确可靠的关键词,为患者精细化治疗提供了理论支持,并为后续病例分类提供了基础。
Sep, 2018
本研究首次将情感分析引入精神科领域,通过定义心理临床情感、标注和评估多个机器学习模型,得出结论:现有的情感分析工具不能准确识别临床正面或负面极性,而我们提供的临床情感定义可以用相对较少的训练数据进行学习。该项目是进一步改进临床使用情感分析方法的初步步骤,最终目标是将结果纳入机器学习模型以预测住院患者的再次入院风险。我们希望这项工作会引发有关情感分析领域适应临床应用的讨论。
Apr, 2019
利用文本挖掘方法和患者电子档案中的出院报告文本进行患者再住院预测,本研究评估了各种机器学习模型在预测患者再住院过程中的效果,并比较了词袋法和概念词袋法两种方法,结果显示随机森林模型和概念词袋法在其他机器学习模型和方法中具有更高的效率,相比于在该领域使用机器学习模型的类似研究,本研究在预测患者再住院概率方面取得了最高分数,回忆率为 68.9%。
Mar, 2024
精神病学中,消极的病人描述和带有污名化的语言对医疗不公平产生了负面影响,该研究利用大规模语言模型来识别基于读者视角的精神病临床记录中的情感表达。结果显示,GPT-3.5 对提供者视角最为契合,而 Mistral 对非提供者视角最为契合。
May, 2024
本文使用双向转换器(ClinicalBERT)开发和评估了临床笔记的表示方法,该方法发现了医学概念之间的高质量关系,并在 30 天医院再入院预测方面优于基线,使用的数据为出院小结和重症监护室的前几天的笔记。
Apr, 2019
利用语言模型(LMs)来代表结构化电子健康记录(EHRs),例如诊断历史,可以在各种风险预测任务中提高性能,同时具有少样本学习、处理未知医学概念和适应各种医学词汇等优势,但在使用这些模型时需要谨慎
Nov, 2023
该研究旨在通过临床文本的预测,预防医生忽略潜在风险并帮助医院规划能力。使用语言模型分析预测诊断结果、手术、住院死亡率和住院时间。提出了临床结局预训练来整合多个公共来源的患者结局知识,并提出了一种将 ICD 编码层次结构纳入模型的简单方法,以提高模型的性能和可迁移性,同时也揭示了模型的一些缺陷。
Feb, 2021
该研究介绍了一种从在线患者经验叙述中建模患者情绪的新方法。我们采用元数据网络主题建模分析了来自 Care Opinion 的患者报告的经验,揭示与患者 - 医护人员互动和临床结果相关的关键情绪主题。我们开发了一种概率上下文特定的情绪推荐系统,可以使用朴素贝叶斯分类器基于语境有意义的主题来预测多标签情绪和二进制情绪。我们使用信息检索度量指标 nDCG 和 Q-measure 评估了本模型下我们预测的情绪的卓越性能,而我们预测的情绪达到了 0.921 的 F1 得分,明显优于标准情绪词典。该方法提供了一种透明、经济高效的方式来理解患者反馈,增强了传统的收集方法,并为个性化患者护理提供了信息。我们的研究结果可以通过 R 包和交互式仪表板获得,为医疗保健研究人员和从业者提供了有价值的工具。
Jan, 2024
使用预测性机器学习模型和电子健康记录来预测心理诊断患者的死亡率所带来的持久挑战,机器学习算法(逻辑回归、随机森林、支持向量机和 k 近邻)的结果表明随机森林和支持向量机模型优于其他模型,AUC 得分为 0.911,药物处方,尤其是硫酸吗啡在预测中起到关键作用。这项研究可用于帮助医院工作人员识别有风险的患者,减少过度死亡。
Oct, 2023