抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
【背景】健康(SDoH)の逆社会的決定因子,または食物不安および住宅不安定性のような社会的危険因子は,健康転帰不良および不等性に寄与することが知られている。これらの結合を研究するための能力は,SDoH情報が構造化データフィールドよりフリーテキスト臨床ノートにおいてより頻繁に記録されるため,制限される。この課題を克服するために,SDoHの自動抽出のための技術を開発するための推進がある。本研究では,慢性腰痛(cLBP)患者の臨床ノートからSDoH情報を抽出するための自然言語処理(NLP)と推論(NLI)法を検討し,SDoHと腰痛転帰と格差の間の関係の今後の解析を強化した。【方法】cLBP患者(n=386)に対する臨床ノート(n=1,576)を,7つのSDoHドメインのために注釈付けした:住宅,食品,輸送,財政,保険範囲,結婚,およびパートナーシップ状態,および他の社会的支援,そして,364例の患者のための少なくとも1つの注釈付エンティティを有する626のノートをもたらした。さらに,疼痛スコア,うつ病および不安を標識した。著者らは,これらの10の1レベルオントロジークラスと68の第二レベルオントロジークラスを有する2段階分類を使用した。ルールベースと機械学習アプローチの両方に基づく抽出システムを開発し,検証した。ルールベースアプローチとして,臨床テキスト分析と知識抽出システム(cTAKES)システムを反復的に構成した。2つの機械学習モデル(畳み込みニューラルネットワーク(CNN)とRoBERTa変圧器)を訓練し,ハイブリッドシステムをパターンマッチングと語彙モデルを結合した。さらに,臨床テキストにおけるSDoH検出の代替技術として,RoBERTaベースの関与モデルを評価した。著者らは,著者らのデータセットに関する追加訓練なしで一般ドメインデータで以前に訓練されたモデルを使用した。【結果】4つの注釈は,高い一致(平均カッパ=95%,F1=91.20%)を達成した。注釈周波数は,ノートタイプに大きく依存した。cTAKESを調整することにより,第1レベルクラスに対してF1=47.11%の性能を達成した。ほとんどのクラスに対して,機械学習RoBERTaベースのNERモデルは,内部試験データセット内の他のモデルよりも,より良い(第1レベルF1=84.35%)。平均のハイブリッドシステムは,RoBERTa NERモデル(第1レベルF1=80.277%)よりもわずかに悪く,再現に関して前者をマッチングまたは凌駕した。アウトオブボックス随伴モデルを用い,他のモデルによって見逃された全ての困難な単語を検出でき,76.04%の平均F1に達し,一方,いくつかのクラスでテストされたNERモデルをマッチングし,凌駕した。それでも,随伴モデルは仮説単語に敏感であり,さらなる微調整を必要とするかもしれない。結論:本研究は,SDoHクラスの広いスペクトルをカバーする注釈付き臨床ノートのコーパスを開発した。このコーパスは訓練機械学習モデルのための基礎を提供し,SDoHのためのエンティティ認識と臨床テキストからの知識抽出のための予測モデルのベンチマークとして役立つ。【JST・京大機械翻訳】
