Identifying antipsychotic treatment episodes using natural language processing and change-point detection
本研究提出并验证了一个结合自然语言处理与变点检测的可扩展框架，用于从非结构化电子健康记录中重建纵向抗精神病药物治疗周期，证明了其临床有效性，并揭示了治疗复杂性与医疗资源利用之间的显著关联。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在心理健康护理领域，患者治疗的故事往往书写在边缘之处。几十年来，医生一直在自由流动的笔记中记录他们关于药物的决策，描述为什么要开始使用某种药物、患者反应如何，或者何时进行了更换。虽然这些叙述承载着患者旅程的真实历史，但它们被锁在非结构化的文本中，对管理医院数据的计算机而言是不可见的。这为试图理解治疗随时间如何发挥作用的研究人员制造了一个盲点。他们无法轻松地看到完整的图景：谁正在服用哪种药物、服用多久，以及模式何时发生变化。缺乏这种清晰度，很难知道目前的做法是在帮助患者，还是导致了不必要的住院。挑战在于寻找一种方法，能够阅读这些成千上 된 手写笔记，并将它们转化为计算机可以理解和分析的清晰、按时间顺序排列的时间线。
伦敦国王学院与南伦敦及莫斯利 NHS 基金会的的研究团队开发了一种新方法来解决这一问题。他们创建了一个结合了两种强大工具的系统：一个理解人类语言的数字阅读器和一个能发现模式变化的数学检测器。这个被称为自然语言处理的数字阅读器会扫描非结构化的临床笔记，以寻找所有关于抗精神病药物（用于治疗精神分裂症及相关疾病的药物）的提及。它提取出药物名称、剂量以及记录日期。然而，仅仅列出这些提及是不够的，因为医生经常会提到多年前停止使用的药物，或者正在考虑未来使用的药物。为了找到患者实际服用特定药物的具体时期，该团队使用了变点检测算法。这个工具通过观察药物提及的流向，识别出模式发生转变的精确时刻，从而发出信号，表明一种治疗已经结束，而另一种治疗已经开始。
研究人员在 2007 年至 2017 年间诊断为精神分裂症谱系障碍的 12,530 名患者的电子健康记录上测试了这个系统。他们将计算机生成的时间线与由人类专家仔细标记的 113 个治疗阶段进行了对比。该系统的表现具有很高的准确性，在绝大多数情况下都能正确识别治疗阶段的开始和结束日期。验证完成后，团队将该方法应用于整个患者群体。他们发现了 24,648 个不同的治疗阶段，揭示了这些患者在十年间接受治疗方式的详细图谱。分析显示，虽然许多患者长期服用单一药物，但很大一部分人经历了复杂的模式。在近三分之一的治疗阶段中，患者同时被开具了不止一种抗精神病药物。这既包括医生在更换药物期间临时给出的短期重叠情况，也包括有意将多种药物结合使用的较长时间段。
研究还揭示了这些治疗模式如何与患者对住院护理的需求相关联。数据表明，同时被开具多种抗精神病药物，或在开始使用一种名为氯氮平的特定药物之前经历了多次不同治疗尝试的患者，更有可能入院且住院时间更长。相反，接受长效注射型药物（即通过注射而非每日口服药的方式给药）的患者，其医院服务的使用率往往较低。研究人员发现，具体的诊断类型和患者背景也起到了作用，某些群体表现出更高的医疗使用率。这种从杂乱文本中自动重建长期治疗史的能力，为监测护理质量提供了一种新途径。它使医疗系统能够实时观察处方习惯是否偏离指南，并识别哪些患者可能从治疗方案的调整中受益，而无需依靠大量人力去手工阅读每一份医疗笔记。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。