Natural language processing for triage of cerebral large-vessel occlusion
Notice bibliographique
Résumé
Timely identification of large-vessel occlusion (LVO) in ischemic stroke is essential for optimizing prehospital triage and enabling rapid mobilization of thrombectomy-capable teams. Traditional LVO screening tools are often lengthy and reliant on neurological examination skills that may be inaccessible to nonspecialists.To assess the ability of large language models (LLMs) to detect LVO using only free-text summaries, with or without National Institutes of Health Stroke Scale (NIHSS) data, in a national teleneurology service.We conducted a retrospective analysis of 2,887 suspected stroke cases across 21 spoke hospitals within a national TeleStroke network. Neurologist-authored case summaries were processed using natural language processing techniques, including text embedding and supervised machine learning classification. Contextual LLMs (BERTimbau, BioBERTpt, GPorTuguese-2) were evaluated with five algorithms. The Bootstrap method was employed to mitigate class imbalance, with performance averaging over 100 iterations.Of 1,060 cases included in the final dataset, 143 had confirmed proximal occlusions. Median Alberta Stroke Program Early CT Score (ASPECTS) was 9 and mean National Institutes of Health Stroke Scale (NIHSS) was 5.4 ± 2. AdaBoost paired with BioBERT yielded the highest accuracy (89.82%), precision (98.37%), and AUC (89.86%). Incorporating NIHSS as a numerical feature improved recall (87.60% with multilayer perceptron) and F1-score (89.05% with Dense Neural Network). BioBERT consistently outperformed other models, regardless of NIHSS inclusion.The LLM-based models demonstrated strong performance in identifying LVO using routine clinical narratives. These findings support the integration of NLP and ML in TeleStroke systems and underscore the need for further validation across larger, multilingual datasets to ensure generalizability and clinical applicability.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».