Leveraging Natural language Processing and Machine Learning Techniques to find Frailty Deficits from Clinical Dataset
Notice bibliographique
Résumé
Introduction Frailty is a syndrome that is often associated with aging. It can be identified through specific frailty scales or a comprehensive assessment by a healthcare provider. In Alberta, it appears that there are no specific billing or diagnostic codes for frailty. So, healthcare providers may use specific assessments or codes related to conditions such as muscle weakness or decreased physical activity to identify frailty. Purpose This project aims to leverage Natural Language Processing algorithms to extract frailty keywords from structured and Unstructured clinical datasets to identify frailty deficits and classify patients into frail and non-frail classes using Machine Learning algorithms. Methods The dataset included 450 patients over the age of 60, medical information related to diseases, and clinical frailty scales. We first clean medical notes using NLP techniques and removing negation terms, then extract keywords from clinical notes and structured datasets, and finally, we use resampling techniques to deal with imbalanced clinical datasets, and we feed these extracted keywords into machine learning classifiers to classify patients as frail or not frail. Results There are many different types of machine learning classifiers that have been used for this task, Random Forest and Decision Three with 0.95 performed better than LR, KNN, NB, SVM, and neural network models. Conclusion Natural Language Processing algorithms can effectively extract frailty keywords using Electronic Medical Record (EMR) notes. Moreover, comparing the results shows that using both structured and unstructured data gives better results than using only structured data.
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 | 0,002 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,005 | 0,003 |
| 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 ».