응급실 임상 노트에서 변화된 정신 상태의 자동 탐지: 깊은 학습 접근법

배경: 기계 학습은 임상 텍스트 분류 작업에 광범위하게 사용되어 왔습니다. 단어 임베딩을 사용하는 깊은 학습 접근법은 최근 생물 의학 응용에서 주목받고 있습니다. 의사결정 지원을 위해 응급실 의료 제공자의 노트에서 변화된 정신 상태(AMS)를 자동으로 식별하기 위해, 전통적인 bag-of-words 기반 기계 학습 분류기와 새로운 깊은 학습 접근법의 성능을 비교합니다. 방법: ICD 코드를 기반으로 AMS 및 비-AMS와 관련된 충분한 수의 임상 노트를 추출하기 위해 사례-대조 연구 설계를 사용했습니다. 노트는 분류기를 위한 임상 텍스트로 사용되는 현재 질병의 병력을 추출하기 위해 구문 분석되었습니다. 노트는 임상의에 의해 수동으로 레이블이 지정되었습니다. 비교의 기준으로 여러 전통적인 bag-of-words 기반 분류기를 테스트했습니다. 그런 다음 세 가지 유형의 단어 임베딩을 사용하는 컨볼루션 신경망 아키텍처로 여러 깊은 학습 모델을 테스트했습니다. 사전 훈련된 word2vec 모델과 사전 훈련 없이 서로 다른 단어 임베딩 차원을 가진 두 모델이 포함되었습니다. 결과: 응급실에서 1130개의 레이블이 지정된 노트로 모델을 평가했습니다. 깊은 학습 모델은 ROC 곡선 아래 면적 98.5%와 정확도 94.5%로 전반적으로 가장 우수한 성능을 보였습니다. 비지도 말뭉치에서 단어 임베딩을 사전 훈련한 것은 훈련 반복을 줄였으며, 다른 깊은 학습 모델과 통계적으로 차이가 없었습니다. 결론: 이 지도 깊은 학습 접근법은 우리 환경에서 임상 텍스트에서 AMS 증상을 탐지하는 데 매우 우수한 성능을 보입니다. 이러한 발견의 일반화를 위해서는 다른 유형의 임상 노트 및 다른 환경에서 이러한 모델을 평가하는 추가 작업이 필요합니다. 결과는 임상 의사결정 지원을 위한 입력으로 전자 건강 기록에서 파생된 다른 정보와 결합하여 이러한 유형의 분류기를 최종적으로 사용하는 데 유망해 보입니다.