Assessing the effect of preprocessing of clinical notes on classification tasks and similarity measures
Notice bibliographique
Résumé
Background: Unstructured text data (UTD) in electronic medical records (EMRs) may be challenging to use because of noise including spelling errors, abbreviations, and punctuation symbols. It is expected that preprocessing improves the performance of statistical or machine learning models. Objectives: The research objectives were to assess the effect of the number and order of preprocessing methods (1) on the detection of health conditions from UTD, (2) on clinical and demographic cohort selection criteria in UTD, (3) on the similarity of information contained in pairs of EMR notes for the same patient, and (4) on accurate de-identification of UTD. Method: Study data were from the Informatics for Integrating Biology and the Bedside (i2b2) challenges. The 2008, 2014 and 2018 i2b2 datasets were used for different Objectives. Preprocessing methods included tokenization, removing punctuation symbols, correcting spelling errors, expanding abbreviations, word stemming, and lemmatization. A nested experimental design was adopted, in which order was nested within the number of methods. Balanced random forest, support vector machine, and bidirectional long short-term memory-conditional random field models were used for Objectives 1, 2, and 4, respectively, and model performance was evaluated by accuracy, sensitivity, specificity, F1 score, and precision. For Objective 3, cosine similarity was used to measure the similarity between pairs of notes. Analysis of Variance (ANOVA) and descriptive statistics were used to test research hypotheses. Results: Mean sensitivity, specificity, F1 score, accuracy, and precision were similar across the orders of methods and numbers of methods, for Objectives 1 and 2. Cosine similarity scores were similar across orders of methods for Objective 3. Deep learning models for Objective 4 were not trainable with the preprocessed data. The ANOVA F test results showed no significant effect of the order of methods for different numbers and identical mean values of outcome variables implied no difference among the numbers of methods. Conclusion: The order and number of preprocessing methods did not have any effect on model performance for a variety of tasks applied to text data. Future research could investigate the effect of the source of spelling correction libraries, medical dictionaries, and abbreviation lists on model performance results.
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 | 0,075 | 0,338 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,004 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,002 | 0,002 |
| Communication savante | 0,004 | 0,005 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 ».