مدل سازی شباهت بیمار با استفاده از بازنمایی هوشمند متن خلاصه پرونده بر اساس پیش بینی تشخیص نهایی

شناسایی بیماران شبیه به یکدیگر بر اساس داده های پرونده الکترونیک سلامت آن ها یک مکانیسم کلیدی در طراحی بسیاری از روش های هوشمند باهدف ارتقای کیفیت خدمات ارایه شده به بیماران و پژوهشگران است. شباهت در تشخیص های نهایی یکی از معیارهای شباهت بیماران است. یکی از ابزارهای اصلی در تعیین تشخیص های نهایی، پرونده الکترونیک بیمار است. بخش مهمی از پرونده الکترونیک بیمار به داده های متنی مانند شرح حال بیمار و گزارش های مختلف اختصاص دارد که پردازش آن ها به دلیل نداشتن ساختار، با چالش هایی مواجه است. بنابراین هدف مطالعه حاضر، طراحی یک مدل پردازش متن های بالینی به منظور شناسایی تشخیص های نهایی است.

در این پژوهش متن های خلاصه پرونده بیش از 26000 بیمار از پایگاه داده MIMIC-III با استفاده از روش های هوش مصنوعی در پردازش متن های بالینی به صورت بردار بازنمایی شده و از این بردارها به عنوان ورودی مدل پیش بینی کننده تشخیص استفاده شده است.

با توجه به نتایج آزمایش ها برای معیار F1-score مدل BIO-BERT با 0.715 و سپس مدل SciBERT با 0.713 نسبت به سایر مدل ها پیشتاز بوده اند. همچنین نتایج نشان می دهد استفاده از روش های شناسایی موجودیت منجر به افزایش دقت مدل شده است.

مدل های بازنمایی که روی داده های خاص زیست پزشکی آموزش دیده اند می توانند برای نگاشت اطلاعات نهفته متن به بردارهای ریاضی قابل استنتاج مورداستفاده قرارگرفته و امکان به کارگیری داده های متنی را در مسایل پیش بینی هوشمند ازجمله برای پیش بینی گروه تشخیص نهایی و پیش بینی بازگشت مجدد بیمار را فراهم آورند.