Sử dụng NLP để trích xuất dữ liệu

Active Member
Bài viết
2,189
Điểm tương tác
0
Điểm
36
[font=sans-serif, Arial, Verdana,]Trong nghành nghề y tế, chăm lo sức khỏe, không ít thông báo có tương quan để đặt ra các chẩn đoán & ý kiến đề nghị đúng mực chỉ có sẵn trong các ghi chú lâm sàng, văn bản chủ quyền. Phần lớn tài liệu này bị ngập trong kho dữ liệu ở dạng không có kết cấu. Những dữ liệu này rất cần thiết để đưa ra phác đồ điều trị đúng chuẩn. Vì vậy, điều quan trọng là có thể trích xuất dữ liệu theo cách rất tốt, sao cho thông báo chiếm được hoàn toàn có thể được nghiên cứu và khai quật.[/font]
[font=sans-serif, Arial, Verdana,]Thuật toán xử lý ngữ điệu thoải mái và tự nhiên, Natural Language Processing – NLP, rất có thể trích xuất dữ liệu lâm sàng từ văn bản bằng phương pháp sử dụng kỹ thuật học hành sâu – deep learning, chẳng hạn như nhúng các từ dành riêng cho chăm sóc sức đề kháng, mô hình nhận dạng đối tượng người sử dụng và mô hình phân giải thực thể. Những thuật toán như vậy sử dụng các loại hình được huấn luyện và giảng dạy để tìm những từ có tương quan trong nội dung văn bản. Những mô hình nhận dạng đối tượng người sử dụng chuyển động bằng phương pháp tìm kiếm những tên cụ thể & nhóm chúng thành những hạng mục được xác định trước. Mô hình phân giải đối tượng người sử dụng hướng đến việc tìm các bản ghi – tựa như các chẩn đoán, phác đồ điều trị hoặc mã thuốc – có liên hệ đến cùng một đối tượng người sử dụng & xác lập chúng thành một bản ghi toàn diện và tổng thể.[/font]
[font=sans-serif, Arial, Verdana,]Học máy có thể để cho các mẫu hình trở nên rõ ràng hơn nhưng chỉ khi tài liệu được sử dụng là sạch, chuẩn hóa & hoàn chỉnh. Xử lý ngôn ngữ thoải mái và tự nhiên (NLP) là 1 phần quan trọng trong các công việc tích lũy tài liệu từ những dữ liệu chuyên môn & ghi chú lâm sàng.[/font]
[font=sans-serif, Arial, Verdana,]NLP vì vậy rất quan trọng đối với nghành nghề chăm lo sức đề kháng và có hai tình huống sử dụng AI phổ cập trong y tế:[/font]
[font=sans-serif, Arial, Verdana,]>>> Xem thêm: Lenovo SR550[/font]

[font=sans-serif, Arial, Verdana,]Dự kiến nguy hại bệnh nhân:[/font]
[font=sans-serif, Arial, Verdana,]tạo nên một chế độ Action tự động hỗ trợ cho ra quyết định lâm sàng đối với trường hợp nhiễm trùng máu tại bộ phận cấp cứu bằng cách sử dụng học máy.[/font]
[font=sans-serif, Arial, Verdana,]phân tích này cho thấy thêm điểm mạnh của việc trích xuất tài liệu văn bản độc lập và dấu hiệu quan trọng để xác định các bệnh nhân bị nghi ngờ có nhiễm trùng, đe dọa đến tính mạng. Phân tích này sử dụng NLP để trích xuất tài liệu từ văn bản lâm sàng.[/font]
[font=sans-serif, Arial, Verdana,]các nhà nghiên cứu và phân tích thấy rằng AUC tăng từ 0,67 (không sử dụng NLP) lên 0,86 khi dùng NLP. AUC (giá trị ROC) là khoanh vùng dưới đường cong và được dùng trong nghiên cứu và phân tích phân chia để nhận định và đánh giá hiệu quả của một loại hình. Về cơ bản, giá trị AUC càng cao (giá trị càng gần bằng 1) thì độ đúng chuẩn của loại hình càng được coi xét. Phân tích vì thế tóm lại rằng việc sử dụng NLP trên những bản ghi văn bản hòa bình là thuận tiện & sự thật cải sinh năng lực chuyên môn xác định và dự đoán nhiễm trùng ở bệnh nhân trong ER, như được chỉ ra bởi giá trị AUC tăng đều.[/font]
[font=sans-serif, Arial, Verdana,]dự đoán nguy hại bệnh nhân là quan trọng chính vì điều đó nhấn mạnh vấn đề các bước ra quyết định. Giá trị của các xét nghiệm phỏng đoán được cho phép những ra quyết định được triển khai tương quan đến việc liệu một lựa chọn điều trị chi tiết cụ thể hoàn toàn có thể hữu ích nếu được theo đuổi hay không. Trên thực tế, tổng số 97% những quy tắc phỏng đoán được sử dụng trong đánh giá và nhận định 29 nghiên cứu mà NLP đã được dùng, được nhận thấy là hài hòa về mặt lâm sàng. Những loại hình dự báo nguy cơ bệnh nhân có mức giá trị & có thể bổ trợ khả năng chẩn đoán của bác sĩ. Điều này đã được tìm thấy trong nghiên cứu và phân tích về nhiễm trùng huyết, như được biểu thị ở sự tăng giá trị AUC. Có các trường hợp khác mà khả năng chẩn đoán của bác sĩ là kém chuẩn xác. Ví dụ, những nhà ung thư học đã được chứng nhận chỉ có độ chính xác 20% khi Dự kiến sự sống còn của bệnh nhân bị bệnh nan y.[/font]
[font=sans-serif, Arial, Verdana,]>>> Xem thêm: Lenovo SR530[/font]

[font=sans-serif, Arial, Verdana,]xây cất nhóm thuần tập – cohort:[/font]
[font=sans-serif, Arial, Verdana,]thời cơ và thử thách trong những việc tận dụng tài liệu hồ sơ sức đề kháng điện tử trong ung thư học.[/font]
[font=sans-serif, Arial, Verdana,]Việc sử dụng thông báo kỹ thuật số và hồ sơ y tế điện tử (EHRs) ngày càng gia tăng đang đem về kho “Dữ liệu lớn – Big Data” cho ngành y tế & quan tâm sức đề kháng. Dữ liệu rất đơn giản truy vấn và trích xuất nếu như nó ở định dạng có cấu trúc. Đây không phải là tình huống cho tài liệu phi kết cấu, chưa được nhập theo định dạng được xác lập trước. Điều này tức là EHR bị hạn chế vì các thành phần tài liệu hoặc thiếu hoặc ở dạng văn bản hòa bình.[/font]
[font=sans-serif, Arial, Verdana,]Một phân tích về ung thư phổi tế bào rất to lớn (non-small cell lung cancer – NSCLS) đã minh chứng việc sử dụng dữ liệu có cấu tạo và phi kết cấu. Sử dụng cả hai loại tài liệu, 8324 bệnh nhân được định vị là có NSCLC. Trong các 8324 đó, chỉ có 2472 người được tìm thấy trong nhóm thuần tập được chia thành bởi dữ liệu có cấu tạo. Không những thế, 1090 bệnh nhân cũng được tính vào nếu chỉ sử dụng dữ liệu có cấu trúc. 1090 Bệnh nhân được cho là chưa phù hợp với các thông số kỹ thuật của nghiên cứu. Cho nên, 2472 bệnh nhân là nhóm thuần tập cần quan tâm, được dùng để nghiên cứu. Điều ấy làm rất nổi bật sức ảnh hưởng của việc sử dụng cả tài liệu có cấu trúc và phi kết cấu trong 1 nghiên cứu và phân tích.[/font]
[font=sans-serif, Arial, Verdana,]thi công nhóm thuần tập (để tập hợp dữ liệu trên một tổ bệnh nhân thành nhóm hoặc nhóm thuần tập) là quan trọng vì việc nghiên cứu và phân tích tài liệu tiếp theo dựa vào việc xác định nhóm thuần tập chính xác. Nhóm thuần tập sẽ được xác định dựa trên đề bài nghiên cứu được hỏi, cho nên vì thế nếu các nhóm thuần tập không đúng chuẩn mực được xác định thì nghiên cứu sẽ khởi tạo ra tác dụng giả. Việc kiến tạo và định vị những nhóm thuần tập được cho là rất quan trọng trong những việc định vị nguy hại bệnh và chọn lọc bệnh nhân cho những thí điểm lâm sàng.[/font]
[font=sans-serif, Arial, Verdana,]Một ví dụ khác ngoài phân tích NSCLS mà ở đó việc nhận dạng nhóm là rất quan trọng, chính là nghiên cứu và phân tích về bệnh nhân náo loạn giấc ngủ. Trong ví dụ này, việc xác định nhóm và kiến tạo dẫn đến độ đúng chuẩn hơn 80% nghiên cứu và phân tích thuật ngữ trong một nghiên cứu NLP về bệnh nhân rối loạn giấc ngủ. Nghiên cứu và phân tích này cho biết NLP là 1 trong những công cụ rất có lợi để sử dụng cho dữ liệu phi cấu tạo.[/font]
[font=sans-serif, Arial, Verdana,]Người ta cần phải có một thư viện NLP về quan tâm sức đề kháng đủ lớn, như một phần của bộ công cụ khoa học tài liệu y tế của họ, chẳng hạn như thư viện NLP tiến hành phân tích sử dụng để giải quyết và xử lý các luận điểm chính xác này. Cho nên rõ rệt NLP là một trong những công cụ rất hữu ích và quan trọng để sử dụng trong AI cho sự giải quyết tài liệu phi cấu tạo.[/font]
[font=sans-serif, Arial, Verdana,]>>> Xem thêm: máy chủ Supermicro[/font]
 

Thống kê diễn đàn

Chủ đề
143,817
Bài viết
166,851
Thành viên
192,183
Thành viên mới nhất
linku888club

Quảng cáo

Hosting tốt nhất dành cho SEO

Thống kê diễn đàn

Chủ đề
143,817
Bài viết
166,851
Thành viên
192,183
Thành viên mới nhất
linku888club

Quảng cáo

Hosting tốt nhất dành cho SEO
Bên trên