利用機器學習與自然語言處理由電子病歷資料中自動化評估新診斷心房顫動之風險

神經內科 宋昇峯醫師

風後及時偵測出病人是否有心房顫動是臨床上相當重要的課題，因為若偵測出病人有心房顫動，則可以決定是否要採取適當的治療策略以預防二度中風。目前雖然有長期心律監測紀錄器可以偵測心房顫動，但是這樣的檢查所費不貲。特別是在醫療資源有限的生態下，如何適當分配資源，讓長期心律監測紀錄器可以使用在比較可能有潛在心房顫動的病人身上，是相當重要的課題。因此，本研究目的為發展植基於電子病歷的機器學習預測模型，以在中風發生後早期盡快評估新診斷心房顫動之風險。

  我們使用了本院的中風登錄資料庫，經過去識別後，與戴德森研究資料庫串連。戴德森研究資料庫包括了本院之申報資料以及電子病歷資料。我們由電子病歷中取得病人之人口學資料、生理監測數據、常規實驗室數據、以及病歷文字內容。機器學習模型則是使用了極限梯度提升之演算法來建立預測模型。至於模型的預測效能，則主要以C指標來評估，同時我們比較機器學習模型與兩種傳統風險指數，即AS5F與CHASE-LESS指數，評估何者預測效能較佳。

  研究總共收錄了5556位缺血性中風病人，其中2016年底前住院的4064位病人屬於模型訓練組，1492位2017年後住院的病人，則歸屬於模型驗證組。在模型驗證組中的病人，追蹤時間之中位數為10.2個月，而新診斷心房顫動之發生率為每1000人年有87位。使用了結構化資料與非結構化文字資料建立的機器學習模型，其預測之C指標為0.840，相較於AS5F指數的0.779及CHASE-LESS指數的0.768，統計上均顯著較佳。

  總結來說，本研究證實，使用中風住院當時之電子病歷資料建立機器學習模型以評估新診斷心房顫動是可行的。使用病歷文字資料中的資訊，可明顯提升預測模型的效能，同時這個機器學習模型的預測效能，明顯優於傳統風險指數。

相關訊息已發表於Frontiers in Cardiovascular Medicine. 2022;9:941237.  

• < 前一頁
• 下一個 >