Cannabis Use Documentation within the Electronic Health Record: A Use Case for Natural Language Processing Methods

该研究利用自然语言处理技术（特别是 Bio-ClinicalBERT 模型）成功从电子病历的非结构化临床笔记中高效识别并分类大麻使用情况，发现其准确率接近人工标注，并揭示了大麻使用者具有更高的 BMI 及更广泛的物质滥用倾向。

要点

这篇研究论文讲述了一个关于如何利用人工智能（AI）从海量的医疗记录中“大海捞针”，找出谁在使用大麻的故事。

为了让你更容易理解，我们可以把这项研究想象成在一个巨大的图书馆里寻找特定的故事。

1. 背景：为什么我们要找这些故事？

想象一下，医生和药剂师就像图书馆的管理员。他们知道“大麻”（Cannabis/Marijuana）这种物质可能会影响病人的健康，比如和某些药物产生冲突，或者帮助缓解疼痛。

但是，问题出在记录方式上：

• 理想情况：病人是否使用大麻，应该像填表格一样，勾选一个清晰的方框（比如“是”或“否”）。
• 现实情况：在医院的电子病历（EHR）里，这些信息通常被写成了长篇大论的“自由文本”笔记。就像病人或医生在日记本里随手写下的：“病人提到最近在用‘草’缓解背痛”或者“拒绝使用大麻”。

这些文字散落在几百万份病历中，杂乱无章，医生很难快速找到谁用了大麻，就像在几百万本书里找特定的句子一样，靠人工去读是不可能的。

2. 解决方案：给 AI 装上“超级眼睛”

研究团队（来自 Geisinger 医疗系统）决定开发一种自然语言处理（NLP）技术。你可以把它想象成给电脑装上了一双超级眼睛和大脑，让它能像人类专家一样阅读和理解这些复杂的医疗笔记。

• 第一步：制定“寻宝地图”（词汇表）
  研究人员列出了一份清单，上面有大麻的各种叫法，比如“大麻”、“草”、“ weed"、"CBD"等。但这还不够，因为有些词有歧义。比如"Pot"（锅/罐子）在医学里可能指“鼻冲洗壶（Neti Pot）”，"Joint"（关节）是指身体部位而不是大麻烟卷。

  • 比喻：就像侦探在寻找线索时，必须排除那些“假线索”。AI 学会了区分“关节疼痛”和“抽大麻”。

• 第二步：人工训练（教 AI 读书）
  在让 AI 独立工作之前，人类专家先手动阅读并标记了 3,650 份笔记，教 AI 什么是“真的在用大麻”，什么是“只是提到这个词但没用”。

  • 比喻：这就像老师给小学生（AI）批改作业，告诉它：“这句话里，病人确实用了大麻，打勾；那句话里，病人只是说‘我不抽烟’，打叉。”

• 第三步：AI 出师，横扫病历
  训练好的 AI 模型（特别是其中一种叫 Bio-ClinicalBERT 的模型，它是专门学习医学语言的超级大脑）开始自动阅读了 1700 万 条医疗笔记。

  • 成果：AI 做得非常棒，它的准确率几乎和人类专家一样高。它成功从 170 万患者中，识别出了 15 万多人（约 8.6%）有使用大麻的记录。

3. 发现了什么？（AI 看到的“画像”）

当 AI 把这些“大麻使用者”找出来后，研究人员发现了一些有趣的现象，就像给这群人画了一幅群体画像：

• 生活习惯：这群人比普通人更有可能同时吸烟、喝酒或使用其他违禁药物。
  • 比喻：如果你发现一个人手里拿着大麻，AI 告诉你，他手里同时拿着香烟和酒杯的可能性是普通人的 10 倍。
• 身体状况：他们的体重指数（BMI）通常更高，肥胖的比例也更大。
• 年龄分布：虽然整体人群年龄分布差不多，但 65 岁以上的老人和 18 岁以下的孩子在“大麻使用者”群体中比例较低。

4. 为什么这很重要？

这项研究就像给医疗系统装了一个智能雷达：

1. 提高安全性：医生可以更快地知道病人是否在用大麻，从而避免开出可能产生冲突的药物（比如某些止痛药）。
2. 填补空白：以前很多数据是缺失的，现在我们可以利用这些“沉睡”的文字数据，更准确地了解大麻在人群中的使用情况。
3. 未来展望：虽然 AI 现在很厉害，但它还不能完美区分“医用”和“娱乐用”，或者区分“正在用”和“以前用过”。这就像 AI 能认出“有人抽烟”，但有时分不清他是“刚抽了一口”还是“十年前抽过”。这需要未来继续改进。

总结

简单来说，这篇论文证明了人工智能可以像经验丰富的老侦探一样，从杂乱无章的医疗笔记中，精准地找出谁在使用大麻。这不仅帮助医生更好地照顾病人，也为未来的医学研究打开了一扇新的大门，让我们能更清楚地看到大麻对公众健康的影响。

一句话概括：以前医生要在几百万份手写笔记里大海捞针找大麻使用者，现在有了 AI 这个“超级助手”，不仅能快速找到，还能顺便告诉我们这群人的一些生活习惯特征。

技术摘要

这是一份关于利用自然语言处理（NLP）技术从电子健康记录（EHR）非结构化临床笔记中提取大麻使用（Cannabis Use, CU）信息的研究报告的详细技术总结。

1. 研究背景与问题 (Problem)

• 数据现状： 尽管大麻（包括娱乐性和医疗性）在美国日益普及，但相关的患者信息在电子健康记录（EHR）中往往记录不完整。
• 主要挑战： 现有的 EHR 系统中，大麻使用信息主要存在于非结构化文本（如护理记录、进度笔记、自由文本描述）中，而非离散的结构化字段。这种非结构化格式使得临床医生难以快速获取信息以进行药物相互作用检查、诊断相关疾病（如大麻使用障碍），也限制了研究人员进行大规模流行病学调查的能力。
• 现有局限： 以往的研究多针对特定亚群（如精神病患者、老年人或特定年龄段），缺乏对整个医疗系统内广泛人群的大麻使用情况进行全面评估的方法。
• 研究目标： 开发并验证一种 NLP 算法，用于从 EHR 的非结构化临床笔记中自动识别、分类和提取大麻使用信息，从而将其转化为可查询的离散数据。

2. 方法论 (Methodology)

本研究在 Geisinger 医疗系统（宾夕法尼亚州）进行，时间跨度为 2013 年 1 月 1 日至 2022 年 6 月 30 日。

A. 数据准备与预处理

• 数据源： 涵盖了 170 多万名患者的 1.35 亿条 EHR 笔记（包括护理笔记、预约笔记、问题列表等）。
• 词典构建： 基于文献和专家意见构建了大麻相关术语词典（包括 'marijuana', 'cannabis', 'MJ', 'THC', 'CBD', 'weed' 等 20 多个术语）。
• 数据清洗与去噪：
  • 提取包含关键词的文本片段（前后 300 字符）。
  • 消除歧义： 剔除因语境不同导致的误报。例如，剔除 "neti pot"（洗鼻壶）、"hypotension"（低血压）、"CBD" 指代 "Common Bile Duct"（胆总管）或 "joint" 指代 "关节疼痛" 等情况。
  • 否定检测： 移除明确否定使用的记录（如 "no cannabis use"）。
  • 最终样本： 经过清洗，保留了 2,790,896 条相关笔记。

B. 人工标注 (Manual Annotation)

• 标注方案： 制定了包含 6 个类别的标注规则：
  1. 真实提及 (True mention)： 术语确实指代大麻。
  2. 患者使用 (Patient use)： 指患者本人的使用，而非他人。
  3. 使用指征 (Indication of use)： 明确提及患者曾使用过。
  4. 医疗用途 (Medical use)： 明确提及用于医疗目的。
  5. 当前使用 (Current use)： 明确提及正在使用。
  6. 使用史 (History of use)： 明确提及过去使用过。
• 标注过程： 3 名标注员对 3,650 条笔记进行了独立标注，并通过讨论解决分歧。标注者间的一致性（Kappa 值）在大多数类别上大于 0.83。

C. 模型开发与训练

研究训练了四种机器学习模型，将每个类别视为独立的二分类任务：

1. 传统模型：
   • 逻辑回归 (Logistic Regression, LR)
   • 支持向量机 (Support Vector Machine, SVM)
   • 特征工程：使用词袋模型（Unigrams, Bigrams, Trigrams），去除停用词，采用 Elastic Net 正则化。
2. 基于 Transformer 的模型：
   • BERT
   • Bio-ClinicalBERT（针对生物医学文本预训练的模型）
   • 训练细节：使用 Hugging Face 库，AdamW 优化器，10 个 Epoch，批量大小 8，5 折交叉验证。

D. 评估指标

使用加权精确率 (Precision)、召回率 (Recall) 和 F1 分数 (F-score) 来评估模型性能。

3. 关键贡献 (Key Contributions)

• 全系统范围的应用： 首次在一个大型综合医疗系统（涵盖农村和城市人口）中，利用 NLP 技术对未分层的全量 EHR 笔记进行大麻使用筛查，而非局限于特定疾病亚群。
• 模型性能验证： 证明了基于 Transformer 的模型（特别是 Bio-ClinicalBERT）在处理复杂的医疗非结构化文本时，能达到接近人类标注员的性能。
• 分类体系细化： 不仅识别“是否使用”，还尝试区分“当前使用”、“既往史”、“医疗用途”等细粒度信息，尽管部分细粒度分类仍有挑战。
• 大规模流行病学洞察： 利用该模型在 10 年数据中识别出大量潜在的大麻使用者，并分析了其人口统计学和临床特征。

4. 主要结果 (Results)

• 模型性能：
  • Bio-ClinicalBERT 表现最佳，在“真实提及”和“使用指征”这两个核心类别上，加权 F1 分数达到 92.4%（精确率 91.4%，召回率 93.3%），接近人类标注水平。
  • 在区分“医疗用途”、“当前使用”和“既往史”方面，所有模型的表现均有所下降（F1 分数在 68%-81% 之间），其中 SVM 在区分医疗用途和当前使用上略优于 Bio-ClinicalBERT。
• 大麻使用检出率：
  • 在 170 多万名患者中，通过 NLP 模型识别出 150,726 名 患者（占总人口的 8.6%）有大麻使用记录。
  • 这一比例低于宾夕法尼亚州全国调查的过去一年使用率（19.2%），反映了 EHR 中记录的不完整性（即许多使用者未在病历中记录）。
• 患者特征分析（与总体人群对比）：
  • 人口统计学： 大麻使用者中男性比例略高（52.5% vs 总体 47.7%），非裔美国人比例较高，亚裔比例较低。
  • 身体指标： 大麻使用者的平均 BMI 更高（28.5 vs 26.9），肥胖（BMI>30）比例显著更高（36.8% vs 23.9%）。
  • 物质滥用共病： 大麻使用者与其他物质滥用的相关性极强：
    • 烟草使用率高出 10 倍 (49.3% vs 5.1%)。
    • 酒精使用率高出 10 倍 (48.2% vs 4.9%)。
    • 非法药物使用率高出 9 倍 (4.7% vs 0.5%)。

5. 意义与局限性 (Significance & Limitations)

• 临床与科研意义：
  • 临床决策支持： 将非结构化文本转化为结构化数据，有助于医生识别药物相互作用、诊断相关综合征（如大麻呕吐综合征）以及进行安全用药教育。
  • 流行病学研究： 提供了一种可扩展的方法，用于在大规模人群中研究大麻使用的模式、风险因素及健康后果。
  • 技术示范： 展示了 Bio-ClinicalBERT 等预训练模型在医疗文本挖掘中的强大能力，为未来自动化提取其他复杂临床信息奠定了基础。
• 局限性：
  • 单中心数据： 数据来自单一医疗系统，可能受当地法律（宾州仅允许医疗大麻）和记录习惯影响，外部推广性需验证。
  • 细粒度分类困难： 模型在区分“医疗用途”与“非医疗用途”以及“当前”与“既往”使用方面表现不佳（F1 分数较低），这主要源于临床文档的语义模糊性和标注难度。
  • 数据偏差： EHR 记录本身存在选择性偏差（例如，可能更倾向于记录有物质滥用史的患者），且依赖关键词搜索可能遗漏拼写变体或新术语。

总结： 该研究成功构建并验证了一套基于 NLP 的自动化流程，能够高效、准确地从海量非结构化 EHR 笔记中提取大麻使用信息。这不仅解决了临床数据利用的瓶颈，也为理解大麻使用的流行病学特征提供了新的数据视角。