論文の概要: Leveraging Natural Language Processing to Augment Structured Social
Determinants of Health Data in the Electronic Health Record
- arxiv url: http://arxiv.org/abs/2212.07538v1
- Date: Wed, 14 Dec 2022 22:51:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-16 16:32:51.642437
- Title: Leveraging Natural Language Processing to Augment Structured Social
Determinants of Health Data in the Electronic Health Record
- Title（参考訳）: 電子健康記録における自然言語処理の活用による健康データ構造決定因子の増強
- Authors: Kevin Lybarger, Nicholas J Dobbins, Ritche Long, Angad Singh, Patrick
Wedgeworth, Ozlem Ozuner, Meliha Yetisgen
- Abstract要約: 健康の社会的決定要因(SDOH)は、個人の健康結果と健康システムの相互作用に影響を及ぼす。
医療システムは、構造化データと非構造化臨床ノートを通してSDOH情報をキャプチャする。
本研究の目的は,臨床物語からSDOHの構造的意味表現を抽出することにより,SDOH情報の獲得を可能にすることである。
- 参考スコア（独自算出の注目度）: 1.7812428873698403
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective: Social Determinants of Health (SDOH) influence personal health
outcomes and health systems interactions. Health systems capture SDOH
information through structured data and unstructured clinical notes; however,
clinical notes often contain a more comprehensive representation of several key
SDOH. The objective of this work is to assess the SDOH information gain
achievable by extracting structured semantic representations of SDOH from the
clinical narrative and combining these extracted representations with available
structured data.
Materials and Methods: We developed a natural language processing (NLP)
information extraction model for SDOH that utilizes a deep learning entity and
relation extraction architecture. In an electronic health record (EHR) case
study, we applied the SDOH extractor to a large existing clinical data set with
over 200,000 patients and 400,000 notes and compared the extracted information
with available structured data.
Results: The SDOH extractor achieved 0.86 F1 on a withheld test set. In the
EHR case study, we found 19\% of current tobacco users, 10\% of drug users, and
32\% of homeless patients only include documentation of these risk factors in
the clinical narrative.
Conclusions: Patients who are at-risk for negative health outcomes due to
SDOH may be better served if health systems are able to identify SDOH risk
factors and associated social needs. Structured semantic representations of
text-encoded SDOH information can augment existing structured, and this more
comprehensive SDOH representation can assist health systems in identifying and
addressing social needs.
- Abstract（参考訳）: 目的:sdoh(social determinants of health)は、個人の健康成果や健康システムの相互作用に影響を与える。
医療システムは構造化データと非構造化臨床ノートを通してSDOH情報をキャプチャするが、臨床ノートにはいくつかの重要なSDOHのより包括的な表現が含まれていることが多い。
本研究の目的は、臨床物語からSDOHの構造的意味表現を抽出し、これらの抽出された表現を利用可能な構造化データと組み合わせることで、SDOH情報の獲得を可能にすることである。
資料と方法:我々は,深層学習エンティティと関係抽出アーキテクチャを利用したSDOHのための自然言語処理(NLP)情報抽出モデルを開発した。
電子健康記録(ehr)のケーススタディでは,20万以上の患者と40万のノートからなる大規模既存の臨床データにsdoh抽出器を適用し,抽出した情報を利用可能な構造化データと比較した。
結果: SDOH抽出器は無条件で0.86F1を達成した。
ehrのケーススタディでは、現在のタバコ使用者の19\%、薬物使用者の10\%、ホームレス患者の32\%が、これらのリスク要因の文書のみを臨床物語に含めている。
結論:SDOHによる負の健康影響のリスクがある患者は、SDOHのリスク要因と関連する社会的ニーズを特定できれば、より役に立たない可能性がある。
テキストエンコードされたSDOH情報の構造化意味表現は、既存の構造化を増強し、このより包括的なSDOH表現は、社会的ニーズを特定し、対処する健康システムを支援する。
関連論文リスト
- De-identification of clinical free text using natural language
processing: A systematic review of current approaches [48.343430343213896]
自然言語処理は、その非識別プロセスの自動化の可能性を繰り返し示してきた。
本研究の目的は,過去13年間に臨床自由テキストの非識別化が進展したことを示す体系的な証拠を提供することである。
論文 参考訳（メタデータ） (2023-11-28T13:20:41Z) - SDOH-NLI: a Dataset for Inferring Social Determinants of Health from
Clinical Notes [13.991819517682574]
社会的および行動的健康決定因子(SDOH)は、健康結果を形成する上で重要な役割を果たす。
このタスクにNLPメソッドを使うことの進歩は、高品質な公開ラベル付きデータの不足によって妨げられている。
本稿では,公開ノートをベースとした新たなデータセットであるSDOH-NLIを紹介する。
論文 参考訳（メタデータ） (2023-10-27T19:09:30Z) - TREEMENT: Interpretable Patient-Trial Matching via Personalized Dynamic
Tree-Based Memory Network [54.332862955411656]
臨床試験は薬物開発に不可欠であるが、しばしば高価で非効率な患者募集に苦しむ。
近年,患者と臨床試験を自動マッチングすることで患者採用を高速化する機械学習モデルが提案されている。
本稿では,TREement という名前の動的ツリーベースメモリネットワークモデルを導入する。
論文 参考訳（メタデータ） (2023-07-19T12:35:09Z) - Evaluating the Impact of Social Determinants on Health Prediction in the
Intensive Care Unit [10.764842579064636]
健康の社会的決定因子(SDOH)は、人の健康と幸福に重要な役割を果たす。
電子健康記録に基づくリスク予測モデルの多くは、包括的なSDOH機能群を含まない。
我々の研究は、公開のEHRデータベースMIMIC-IVをドキュメント化されたSDOH機能にリンクしています。
論文 参考訳（メタデータ） (2023-05-22T01:27:51Z) - Question-Answering System Extracts Information on Injection Drug Use
from Clinical Notes [4.537953996010351]
注射薬の使用(IDU)は、死亡率と死亡率を高める危険な健康行動である。
IDU情報を表示する唯一の場所は、構造化されていないフリーテキスト臨床ノートである。
臨床ノートからIDUに関する情報を抽出するための質問応答(QA)フレームワークを設計し,実証する。
論文 参考訳（メタデータ） (2023-05-15T16:37:00Z) - Development and validation of a natural language processing algorithm to
pseudonymize documents in the context of a clinical data warehouse [53.797797404164946]
この研究は、この領域でツールやリソースを共有する際に直面する困難を浮き彫りにしている。
臨床文献のコーパスを12種類に分類した。
私たちは、ディープラーニングモデルと手動ルールの結果をマージして、ハイブリッドシステムを構築します。
論文 参考訳（メタデータ） (2023-03-23T17:17:46Z) - Bootstrapping Your Own Positive Sample: Contrastive Learning With
Electronic Health Record Data [62.29031007761901]
本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。
EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。
私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
論文 参考訳（メタデータ） (2021-04-07T06:02:04Z) - HINT: Hierarchical Interaction Network for Trial Outcome Prediction
Leveraging Web Data [56.53715632642495]
臨床試験は、有効性、安全性、または患者採用の問題により、不確実な結果に直面する。
本稿では,より一般的な臨床試験結果予測のための階層型Interaction Network(HINT)を提案する。
論文 参考訳（メタデータ） (2021-02-08T15:09:07Z) - Social determinants of health in the era of artificial intelligence with
electronic health records: A systematic review [12.944415086215708]
電子健康記録(EHR)から健康の社会的決定要因(SDOH)情報を最大限に活用する方法はまだ研究されていません。
2010年から2020年にかけて、文献から合計1250の論文が抽出され、74の論文がこのレビューに含まれた。
本稿では,EHRのSDOHの現在の動向,課題,今後の方向性について論じる。
論文 参考訳（メタデータ） (2021-01-22T09:03:39Z) - Annotating Social Determinants of Health Using Active Learning, and
Characterizing Determinants Using Neural Event Extraction [11.845850292404768]
健康の社会的決定因子(SDOH)は健康に影響を及ぼし、SDOHの知識は臨床的な意思決定に影響を及ぼす。
本研究は,SDOHアノテーションを用いた新しいコーパス,新しいアクティブラーニングフレームワーク,新しいコーパスにおける最初の抽出結果を示す。
論文 参考訳（メタデータ） (2020-04-11T16:19:02Z) - DeepEnroll: Patient-Trial Matching with Deep Embedding and Entailment
Prediction [67.91606509226132]
臨床試験は医薬品開発に不可欠であるが、高価で不正確で不十分な患者募集に苦しむことが多い。
DeepEnrollは、入力基準(タブラリデータ)を一致する推論のための共有潜在空間に共同でエンコードする、クロスモーダル推論学習モデルである。
論文 参考訳（メタデータ） (2020-01-22T17:51:25Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。