Key points are not available for this paper at this time.
목적 제한된 연구에서 비소세포 폐암(NSCLC) 맥락에서 자연어 처리(NLP)가 사용되었습니다. 본 연구는 자유 텍스트 의료 기록에서 NSCLC 개념을 추출하고 이를 구조화된 해석 가능한 데이터로 변환하여 NSCLC 집단에 대한 NLP 모델의 적용을 검증하는 것을 목표로 하였습니다. 방법 폐 신생물, NSCLC 조직형 및 치료 정보가 포함된 환자를 2,700만 이상의 환자 데이터베이스에서 선택하였습니다. 이 중 각 환자에 대해 가장 긴 및 가장 최신의 기록이 포함된 200명이 무작위로 이 연구에 선택되었습니다. 대규모 고형 및 혈액암 종양 집단에서 개발 및 검증된 NLP 모델이 이 NSCLC 집단에 적용되었습니다. 두 명의 인증된 종양 등록자와 한 명의 큐레이터가 기록에서 다음과 같은 개념을 추출하였습니다: 신생물, 조직형, 병기, TNM 값 및 전이 부위. 수동으로 추출된 이 기준은 NLP 모델의 출력과 비교되었습니다. 정밀도와 재현율 점수가 계산되었습니다. 결과 NLP 모델은 아래와 같은 점수를 기록하며 NSCLC 개념을 뛰어난 정밀도와 재현율로 추출했습니다: 폐 신생물 100% 및 100%, NSCLC 조직형 99% 및 88%, 신생물에 잘 연결된 조직형 98% 및 79%, 병기 값 98.8% 및 92%, 병기 TNM 값 93% 및 98%, 전이 부위 97% 및 89%. 높은 정밀도는 낮은 수의 위양성과 관련이 있으며, 따라서 추출된 개념이 정확할 가능성이 높습니다. 높은 재현율은 모델이 대부분의 원하는 개념을 포착했다는 것을 나타냅니다. 결론 이 연구는 Optum의 암 NLP 모델이 임상 실제 데이터를 사용하여 높은 정밀도와 재현율을 지닌 신뢰할 수 있는 모델임을 검증하며, 연구 및 임상 시험을 지원합니다. 이 검증 연구는 우리의 비특이적 고형 종양 및 혈액암 종양 모델이 특정 암 집단에서 임상 정보를 성공적으로 추출할 수 있음을 일반화할 수 있음을 보여줍니다.
Kenney 외 (Sun,)는 이 질문을 연구했습니다.