机器学习与自然语言处理驱动的自动药物差错检测算法

需积分: 9 0 下载量 117 浏览量 更新于2024-09-08 收藏 1.33MB PDF 举报
本文研究旨在开发一种端到端的混合算法,用于自动化药物不一致性检测。研究者利用先进的机器学习(ML)和自然语言处理(NLP)技术,针对临床笔记中的自由文本(unstructured data)与患者出院处方(structured data)之间的药物信息进行精确匹配,以识别潜在的药物差异(medication discrepancy)。研究对象是271名参与复杂护理医疗家庭项目(Complex Care Medical Home Program)的儿童在辛辛那提儿童医院医学中心的病历数据,收集了从2010年1月1日至2013年12月31日期间的临床笔记和处方列表。 研究方法包括三个步骤:首先,使用ML算法来识别临床笔记中的药物实体;其次,采用基于规则的方法将药物名称与其属性关联起来;最后,结合NLP技术,设计一个混合方法,通过匹配结构化处方来确定药物匹配或不匹配。通过双标注的黄金标准药物复核数据集对算法性能进行了评估,计算了精度(Precision, P)、召回率(Recall, R)和F值(F-measure),以及工作负荷(workload)。 结果表明,该混合算法在药物实体检测方面达到了95.0%的精度、91.6%的召回率和93.3%的F值,在属性链接上表现优异,分别为98.7%、99.4%和99.1%。在药物匹配任务中,算法对于黄金标准中的匹配药物识别达到了92.4%、90.7%和91.5%的P/R/F值,而在检测不一致药物时,这些数值为88.6%、82.5%和85.5%。综合所有过程,算法在匹配和不匹配药物识别上的表现分别为92.4%、90.7%和91.5%,以及71.5%、65.2%和68.2%。 进一步的错误分析揭示了算法在药物不一致性检测中的挑战,例如命名不一致、表述歧义和数据缺失等问题,这些将作为未来改进的重点。该计算机化的端到端混合算法在实际的药物复核数据上展示了良好的性能,为医疗领域自动化的药物管理和错误检测提供了有前景的解决方案。关键词包括自动化药物复核、药物不一致性检测、机器学习和自然语言处理。