Improving VTE Identification through Adaptive NLP Model Selection and Clinical Expert Rule-based Classifier from Radiology Reports

要約

深部静脈血栓症(DVT)や肺塞栓症(PE)を含む重篤な心血管疾患である静脈血栓塞栓症(VTE)を迅速かつ正確に特定することは、効果的な治療のために重要です。
放射線医学レポートに自然言語処理 (NLP) を活用する自動化手法は、遡及データ コホートから VTE イベントを特定したり、臨床専門家が放射線医学レポートから VTE イベントを特定したりする上で有望な進歩を示しています。
ただし、深層学習 (DL) と NLP モデルを効果的にトレーニングすることは、ラベル付きの医療テキスト データが限られていること、放射線医学レポートの複雑さと異質性、データの不均衡により困難です。
この研究では、非構造化(フリーテキスト)放射線医学レポートにおける VTE 同定の精度を向上させるために、データ拡張、適応性のある事前トレーニング済み NLP モデル選択、および臨床専門家による NLP ルールベースの分類子とともに、DL 法の新しい方法の組み合わせを提案しています。
私たちの実験結果は、このモデルの有効性を実証しており、DVT の予測では 97\% の精度と 97\% F1 スコアという優れた結果を達成し、PE の予測では 98.3\% の優れた精度と 98.4\% F1 スコアを達成しました。
これらの発見は、モデルの堅牢性と、VTE 研究に大きく貢献する可能性を強調しています。

要約(オリジナル)

Rapid and accurate identification of Venous thromboembolism (VTE), a severe cardiovascular condition including deep vein thrombosis (DVT) and pulmonary embolism (PE), is important for effective treatment. Leveraging Natural Language Processing (NLP) on radiology reports, automated methods have shown promising advancements in identifying VTE events from retrospective data cohorts or aiding clinical experts in identifying VTE events from radiology reports. However, effectively training Deep Learning (DL) and the NLP models is challenging due to limited labeled medical text data, the complexity and heterogeneity of radiology reports, and data imbalance. This study proposes novel method combinations of DL methods, along with data augmentation, adaptive pre-trained NLP model selection, and a clinical expert NLP rule-based classifier, to improve the accuracy of VTE identification in unstructured (free-text) radiology reports. Our experimental results demonstrate the model’s efficacy, achieving an impressive 97\% accuracy and 97\% F1 score in predicting DVT, and an outstanding 98.3\% accuracy and 98.4\% F1 score in predicting PE. These findings emphasize the model’s robustness and its potential to significantly contribute to VTE research.

arxiv情報

著者 Jamie Deng,Yusen Wu,Hilary Hayssen,Brain Englum,Aman Kankaria,Minerva Mayorga-Carlin,Shalini Sahoo,John Sorkin,Brajesh Lal,Yelena Yesha,Phuong Nguyen
発行日 2023-10-20 17:49:27+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.CL, cs.IR, cs.LG パーマリンク