Detektering af diagnoser i EKG-notater
Oversat titel
Detection of diagnoses in ECG notes
Forfatter
Jensen, Martin Sung
Semester
4. semester
Uddannelse
Udgivelsesår
2019
Afleveret
2019-06-06
Abstract
Elektroniske patientjournaler rummer store mængder information, som er vigtig for opfølgning og behandling. Meget af indholdet er skrevet som fritekst, hvilket gør det tidskrævende for klinikere at finde vigtige diagnoser. Hvis teksten kan struktureres, kan det spare tid og støtte bedre behandling. Dette projekt undersøgte, om neurale netværk kan finde diagnoser og forstå, hvordan de omtales (deres kontekst) i EKG-noter (notater fra elektrokardiogrammer), selv når der kun er få annoterede træningseksempler til klinisk sprogbehandling. Vi byggede to Long Short-Term Memory (LSTM) neurale netværk: ét til at finde kandidatbegreber (mulige diagnoser) og ét til at klassificere deres kontekst. På en delmængde af EKG-noter opnåede kontekstklassifikationen en F1-score på 0,92. Systemet blev også evalueret på shARe-datasættet, hvor de fundne begreber blev koblet til SNOMED CT-koder, og gav præcision, recall og strikt F-score på 0,98, 0,98 og 0,98. Resultaterne viser, at modellen kan finde diagnoser i kliniske notater med høj sikkerhed, og at sådanne værktøjer kan hjælpe med at strukturere fritekst i patientjournaler.
Electronic health records contain large amounts of information that matter for follow-up and treatment. Much of it is written as free-text notes, which makes it time-consuming for clinicians to locate important diagnoses. If this text can be structured, it can save time and support better care. This project investigated whether neural networks can automatically find diagnoses and understand how they are mentioned (their context) in ECG notes (notes related to electrocardiogram examinations), even when only a limited amount of labeled training data is available for clinical natural language processing. We built two Long Short-Term Memory (LSTM) neural networks: one to detect candidate medical concepts (possible diagnoses) and one to classify their context. On a subset of ECG notes, the context classifier reached an F1 score of 0.92. The system was also evaluated on the shARe dataset, where detected concepts were linked to SNOMED CT codes, and achieved precision, recall and strict F-score of 0.98, 0.98 and 0.98. These results indicate that the model can detect diagnoses in clinical notes with high confidence, and that such tools could help structure free text in patient records.
[Dette resumé er genereret ved hjælp af AI]
Emneord
NLP ; SNOMED CT ; NER ; Machine learning