研究结合 NLP、传统编码来提高痴呆检测

快速阅读: 据《MobiHealth新闻》称，墨尔本一机构研发AI新法高效识别医院痴呆症患者。结合传统与AI病例识别，算法在千余老人测试中表现高准确性。此研究获多机构资助，强调早期诊断与护理重要性，应对全球痴呆症增长趋势。

由澳大利亚蒙纳士大学与半岛健康合作设立的国家健康老龄化中心开发了一种基于人工智能的新方法，以高效识别医院中的痴呆症患者。该机构研究了如何通过结合传统和人工智能病例识别方法来提升医疗环境中痴呆症的检测效率。

研究结果表明，媒体披露，国家健康老龄化中心的研究团队在两个方向上开发了痴呆症发现算法：一是传统的方向，用于从健康老龄化数据平台上的电子医疗记录（EMR）中提取常规收集的结构化数据；二是基于人工智能的方向，用于处理非结构化文本记录，并由自然语言处理（NLP）技术支持，同时得到临床专家的指导。研究负责人之一Taya Collyer博士补充道：“我们使用了特殊软件，以一种能够应用NLP的方式处理大量自由文本数据。”

除了标准的痴呆症代码之外，该研究还考虑了人口统计信息、社会经济地位、药物使用情况、急诊和门诊健康利用率以及住院事件等信息。这些算法在一个涉及超过1000名60岁及以上老年人的弗兰克斯顿-莫宁顿半岛的研究中进行了测试。结果显示，在识别有无痴呆症患者方面具有“高分类准确性”——72.2%的特异性和80.6%的敏感性，展示了提高医疗环境中痴呆症检测、统计和管理能力的潜力。

这项研究获得了国家卫生与医学研究委员会、医学研究未来基金以及卫生与老年护理部的资助。

为什么重要：根据世界阿尔茨海默病报告，预计到2050年全球将有1.5亿人患有痴呆症。为了应对这一趋势，“准确识别对于了解全国问题的实际规模以及有效规划服务至关重要，”蒙纳士大学表示。

市场快照：尽管现有用于痴呆症算法检测的工具较为普及，但这些工具通常不使用临床上有意义的病例定义，而是依赖于诊断代码或药物等代理来确定病例，国家健康老龄化中心的研究团队指出。因此，他们采取了双重算法的方法来筛选结构化和非结构化的EMR数据，其中一个利用了NLP及其未被充分利用的潜力。大型语言模型（LLMs）在认知障碍检测领域的应用日益增多。例如，在超级老龄化韩国，电子通信研究院最近的一项研究表明，LLM驱动的模型在识别阿尔茨海默病方面具有很高的准确性。在新加坡的健康筛查中，游戏化方法也被证实对筛查轻度认知障碍有效。

记录在案：“鉴于临床对被诊断为痴呆症且前往医院就诊人群的认知不足，采用这种方法，我们可以更早地为他们提供恰当的诊断和临床护理。我相信许多人因为未能很好地识别他们或他们的需求而错过了良好的护理机会，”国家健康老龄化中心主任兼项目负责人Velandai Srikanth教授说。

(以上内容均由Ai生成)