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/2212.07538v2
- Date: Fri, 14 Apr 2023 17:04:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-17 16:37:28.533252
- 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: 健康の社会的決定因子(SDOH)は健康に影響を及ぼす。
臨床ノートにはより包括的なSDOH情報が含まれていることが多い。
我々は,ディープラーニングエンティティと関係抽出アーキテクチャを用いた新しいSDOH抽出器を開発した。
- 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) impact health outcomes and
are documented in the electronic health record (EHR) through structured data
and unstructured clinical notes. However, clinical notes often contain more
comprehensive SDOH information, detailing aspects such as status, severity, and
temporality. This work has two primary objectives: i) develop a natural
language processing (NLP) information extraction model to capture detailed SDOH
information and ii) evaluate the information gain achieved by applying the SDOH
extractor to clinical narratives and combining the extracted representations
with existing structured data.
Materials and Methods: We developed a novel SDOH extractor using a deep
learning entity and relation extraction architecture to characterize SDOH
across various dimensions. In an EHR case study, we applied the SDOH extractor
to a large clinical data set with 225,089 patients and 430,406 notes with
social history sections and compared the extracted SDOH information with
existing structured data.
Results: The SDOH extractor achieved 0.86 F1 on a withheld test set. In the
EHR case study, we found extracted SDOH information complements existing
structured data with 32% of homeless patients, 19% of current tobacco users,
and 10% of drug users only having these health risk factors documented in the
clinical narrative.
Conclusions: Utilizing EHR data to identify SDOH health risk factors and
social needs may improve patient care and outcomes. Semantic representations of
text-encoded SDOH information can augment existing structured data, and this
more comprehensive SDOH representation can assist health systems in identifying
and addressing these social needs.
- Abstract（参考訳）: 目的: 健康の社会的決定因子(SDOH)は健康に影響を及ぼし、構造化データと非構造化臨床ノートを通じて電子健康記録(EHR)に記録される。
しかし、臨床ノートにはより包括的なsdoh情報が含まれており、状態、重症度、時間性などの側面を詳述している。
この作品には2つの主な目的があります
一 詳細なSDOH情報を取得する自然言語処理(NLP)情報抽出モデルを開発すること。
二 臨床物語にSDOH抽出器を適用し、抽出した表現と既存の構造化データを組み合わせることにより得られる情報獲得を評価すること。
材料と方法: 深層学習エンティティと関係抽出アーキテクチャを用いた新しいSDOH抽出器を開発し, 様々な次元でSDOHを特徴付ける。
EHR症例では,SDOH抽出装置を225,089人,430,406人からなる大規模臨床データセットに適用し,抽出したSDOH情報を既存の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,抽出したSDOH情報は,ホームレス患者の32%,喫煙者の19%,薬物使用者の10%で既存の構造化データを補完することがわかった。
結論: EHR データを用いて SDOH の健康リスク要因と社会的ニーズを特定することで,患者のケアと成果を改善することができる。
テキストエンコードされたSDOH情報のセマンティック表現は、既存の構造化データを増やし、このより包括的なSDOH表現は、これらの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。