Ontology-driven weak supervision for clinical entity classification in electronic health records.
Ontology-driven weak supervision for clinical entity classification in electronic health records.
复制标题
DOI：
10.1038/s41467-021-22328-4
复制
发表时间：
2021-04-01
影响因子：
16.6
通讯作者：
Shah NH
中科院分区：
文献类型：
--
作者：
Fries JA;Steinberg E;Khattar S;Fleming SL;Posada J;Callahan A;Shah NH
在电子健康记录中，使用临床记录来识别诸如疾病及其时间性（例如，事件相对于时间索引的顺序）之类的实体可以为许多重要的分析提供信息。然而，为临床实体任务创建训练数据是耗时的，并且由于隐私问题，共享标记数据具有挑战性。COVID-19大流行的信息需求凸显了对训练临床笔记机器学习模型的敏捷方法的需求。我们提出了Trove，一个弱监督实体分类框架，使用医学本体和专家生成的规则。与手动标记的笔记不同，我们的方法易于共享和修改，同时提供与手动标记的训练数据学习相当的性能。在这项工作中，我们在六个基准任务上验证了我们的框架，并展示了Trove分析斯坦福大学医疗保健急诊科患者记录的能力，这些患者表现出COVID-19的症状和风险因素。在电子健康记录中，使用临床记录来识别诸如疾病及其暂时性的实体可以为许多重要的分析提供信息。在这里，作者提出了一个框架，弱监督实体分类使用医学本体和专家生成的规则。
In the electronic health record, using clinical notes to identify entities such as disorders and their temporality (e.g. the order of an event relative to a time index) can inform many important analyses. However, creating training data for clinical entity tasks is time consuming and sharing labeled data is challenging due to privacy concerns. The information needs of the COVID-19 pandemic highlight the need for agile methods of training machine learning models for clinical notes. We present Trove, a framework for weakly supervised entity classification using medical ontologies and expert-generated rules. Our approach, unlike hand-labeled notes, is easy to share and modify, while offering performance comparable to learning from manually labeled training data. In this work, we validate our framework on six benchmark tasks and demonstrate Trove’s ability to analyze the records of patients visiting the emergency department at Stanford Health Care for COVID-19 presenting symptoms and risk factors. In the electronic health record, using clinical notes to identify entities such as disorders and their temporality can inform many important analyses. Here, the authors present a framework for weakly supervised entity classification using medical ontologies and expert-generated rules.
登录
查看更多内容
影响因子：
16.6
作者：
Fries, Jason A.;Varma, Paroma;Priest, James R.
通讯作者：
Priest, James R.
影响因子：
10.9
作者：
Draelos RL;Dov D;Mazurowski MA;Lo JY;Henao R;Rubin GD;Carin L
通讯作者：
Carin L
影响因子：
4.5
作者：
Harkema H;Dowling JN;Thornblade T;Chapman WW
通讯作者：
Chapman WW
影响因子：
4.5
作者：
Friedman, C;Kra, P;Rzhetsky, A
通讯作者：
Rzhetsky, A
影响因子：
15.2
作者：
Callahan, Alison;Steinberg, Ethan;Shah, Nigam H.
通讯作者：
Shah, Nigam H.