Abstract 125: Natural Language Processing Identifies an Association Between Canadian Cardiovascular Society Angina Severity and Mortality Within the Department of Veterans Affairs
Notice bibliographique
Résumé
Background: Stable angina is estimated to affect more than 10 million Americans and is the presenting symptom in half of patients diagnosed with coronary disease. Documentation of angina severity resides as unstructured data and is often unavailable in large datasets. We used natural language processing (NLP) to identify Canadian Cardiovascular Society (CCS) angina class and determine the association with all-cause mortality in an integrated health system’s electronic records (EHR). Methods: We performed a historic cohort study using national Veterans Health Administration data between 1/1/06 and 12/31/13. Veterans with incident stable angina were identified by ICD-9-CM codes. We developed an NLP tool to extract CCS class from free text notes. Risk ratios (RR) for all-cause mortality at one year associated with CCS class were calculated using Poisson regression. Results: There were 299,577 Veterans with angina, of which 14,216 had at least one CCS class extracted via NLP. Mean age was 66.6 years, 98% were male sex, and 82% were white. Diabetes increased with CCS class, but other comorbidities were stable (Table). There were 719 deaths at one year follow-up. The adjusted RR for all-cause mortality at one-year comparing Class III to Class I and Class IV to Class I was 1.40 (95% CI 1.16 - 1.68) and 1.52 (95% CI 1.13 - 2.04), respectively. Conclusion: NLP-derived CCS class was independently associated with one year all-cause mortality. Its application may be limited by inadequate EHR documentation of angina severity.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».