مدیریت اطلاعات سلامت
هدی معمارزاده؛ ناصر قدیری؛ مریم لطفی شهرضا
چکیده
مقدمه: شناسایی بیماران شبیه به یکدیگر بر اساس داده‌های پرونده الکترونیک سلامت آن‌ها یک مکانیسم کلیدی در طراحی بسیاری از روش‌های هوشمند باهدف ارتقای کیفیت خدمات ارائه‌شده به بیماران و پژوهشگران است. شباهت در تشخیص‌های نهایی یکی از معیارهای شباهت بیماران است. یکی از ابزارهای اصلی در تعیین تشخیص‌های نهایی، پرونده الکترونیک بیمار ...
بیشتر
مقدمه: شناسایی بیماران شبیه به یکدیگر بر اساس داده‌های پرونده الکترونیک سلامت آن‌ها یک مکانیسم کلیدی در طراحی بسیاری از روش‌های هوشمند باهدف ارتقای کیفیت خدمات ارائه‌شده به بیماران و پژوهشگران است. شباهت در تشخیص‌های نهایی یکی از معیارهای شباهت بیماران است. یکی از ابزارهای اصلی در تعیین تشخیص‌های نهایی، پرونده الکترونیک بیمار است. بخش مهمی از پرونده الکترونیک بیمار به داده‌های متنی مانند شرح‌حال بیمار و گزارش‌های مختلف اختصاص دارد که پردازش آن‌ها به دلیل نداشتن ساختار، با چالش‌هایی مواجه است. بنابراین هدف مطالعه حاضر، طراحی یک مدل پردازش متن‌های بالینی به‌منظور شناسایی تشخیص‌های نهایی است.روش بررسی: در این پژوهش متن‌های خلاصه پرونده بیش از ۲۶۰۰۰ بیمار از پایگاه داده MIMIC-III با استفاده از روش‌های هوش مصنوعی در پردازش متن‌های بالینی به‌صورت بردار بازنمایی شده و از این بردارها به‌عنوان ورودی مدل پیش‌بینی کننده تشخیص استفاده‌شده است.یافته‌ها: با توجه به نتایج آزمایش‌ها برای معیار F1-score مدل BIO-BERT با 0.715 و سپس مدل SciBERT با 0.713 نسبت به سایر مدل‌ها پیشتاز بوده‌اند. همچنین نتایج نشان می‌دهد استفاده از روش‌های شناسایی موجودیت منجر به افزایش دقت مدل شده است.نتیجه‌گیری: مدل‌های بازنمایی که روی داده‌های خاص زیست پزشکی آموزش‌دیده‌اند می‌توانند برای نگاشت اطلاعات نهفته متن به بردارهای ریاضی قابل استنتاج مورداستفاده قرارگرفته و امکان به‌کارگیری داده‌های متنی را در مسائل پیش‌بینی هوشمند ازجمله برای پیش‌بینی گروه تشخیص نهایی و پیش‌بینی بازگشت مجدد بیمار را فراهم آورند.
