Extracting Cognitive SLUMS Scores from Unstructured National Veterans Clinical Notes with AI
Notice bibliographique
Résumé
Abstract Clinical assessment of cognitive status is critical to evaluating patient health risk and outcomes yet rarely found within the structured data in the electronic health record (EHR). The Saint Louis University Mental Status (SLUMS) Examination is a cognitive screening tool widely used within the Veterans Affairs (VA). Compared to the Mini-Mental State Examination (MMSE), the SLUMS score has greater sensitivity to earlier stages of cognitive impairment. We present a natural language processing (NLP) method for extracting SLUMS scores from unstructured EHR notes. We identified clinical notes from VA patients that contained the word “SLUMS” and a number within a 500 character window. Two researchers independently annotated 1,275 notes. Of these, 899 contained a single SLUMS score and 376 contained missing, multiple, invalid (typo), or qualitative scores. We developed a rule-based system incorporating regular–expression–based pattern matching. The algorithm was developed on the full set of notes and optimized for precision over recall (i.e., only makes predictions when confident). It achieved 83.0% accuracy and 99.6% precision with an F1 score of 78.2%. We further ran the algorithm on 2.96 million unannotated notes. The algorithm throughput exceeded 20 thousand notes per minute when run on a single laptop processor. This work demonstrates how NLP can extract SLUMS scores with high accuracy at scale from millions of unstructured clinical notes. By creating structured cognitive assessment data from information previously buried in free-form clinical text, our work enables cognitive impairment research at the population scale.
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 | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».