IJNS:基于护理记录的深度神经网络预测ICU患者出院后死亡风险
2024-07-20 小文子 MedSci原创
CNDE可有效减少长篇记录并提取关键内容。NurnaNet在分析护理记录数据方面具有较高的F1评分,这有助于识别患者出院后死亡风险,并尽快调整相关治疗的常规随访和治疗计划。
ICU再入院和出院后死亡给医疗机构带来了重大挑战。之前的研究使用了电子健康记录(EHR)和机器学习模型,但主要集中在结构化数据上。护理记录包含关键的非结构化信息,但对其利用具有挑战性。自然语言处理(NLP)可以从临床文本中提取结构化特征。研究人员提出关键护理描述提取(CNDE)的技术,从冗长的护理记录中提取基本内容。并开发一种感知护理记录的深度神经网络(NurnaNet),结合生物医学预训练模型(BioClinicalBERT),分析MIMIC III数据库中的电子健康记录,预测ICU患者出院后的死亡率,并有效识别意外再入院的高危患者,相关研究成果发表在International Journal of Nursing Studies杂志上。
这项回顾性队列研究使用MIMIC III数据库中的电子健康记录,该数据库包含2001~2012年美国重症患者的数据,内容有患者基本信息、入院出院情况、住院期间护理记录等,重点分析患者在出院后6个月和2年内的死亡风险。研究使用MIMIC数据集的入院时间和出生日期信息来计算患者的年龄,排除18岁以下或89岁以上的患者以及在医院死亡的患者。共分析了16973份来自患者ICU住院期间的护理记录。
结果显示,NurnaNet对于ICU出院患者的6个月和2年死亡率预测实现了良好的F1评分(0.67030,0.70874)。TextCNN和BioClinicalBERT等其他模型也表现出良好的性能,F1评分分别为0.68432和0.69790。这些发现强调了NurnaNet在预测短期和长期死亡风险方面的一致性和平衡能力,在临床环境中对出院后患者死亡风险评估的潜在效用。与仅使用BioClinicalBERT相比,NurnaNet对6个月和2年内的死亡预测性能分别提高了2.05%和1.08%。
在6个月死亡率的预测中,将CNDE添加到BioClinicalBERT中,模型性能提高了约2.05%(从0.64709提高到0.66840),在2年死亡率的预测中,模型性能提高了大约1.08%(从0.69790到0.70874),表明CNDE有助于保留重要语句,确保语句完整性,维护上下文关系,有助于提高模型训练过程中的性能。
结果表明,CNDE可有效减少长篇记录并提取关键内容。NurnaNet在分析护理记录数据方面具有较高的F1评分,这有助于识别患者出院后死亡风险,并尽快调整相关治疗的常规随访和治疗计划。
原文出处:
Yong-Zhen Huang, Yan-Ming Chen, et al, A nursing note-aware deep neural network for predicting mortality risk after hospital discharge, International Journal of Nursing Studies, 2024, https://doi.org/10.1016/j.ijnurstu.2024.104797.
作者:小文子
版权声明:
本网站所有注明“来源:梅斯医学”或“来源:MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明“来源:梅斯医学”。其它来源的文章系转载文章,本网所有转载文章系出于传递更多信息之目的,转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言
认真学习了
84
#ICU# #护理记录# #深度神经网络#
68