自然语言处理识别急诊肺结节患者

摘要

目的：对于急诊科患者，肺癌可通过胸部CT发现的偶然肺结节进行早期检测。然而，由于非结构化的放射学报告，急诊影像中偶然发现的沟通和随访存在显著错误。自然语言处理可帮助识别需要随访的偶然肺结节，可能减少因漏访造成的错误。本研究旨在开发一个开放获取的三步NLP流程专门用于此目的。

方法：这项回顾性研究使用了2014年至2021年三个急诊科进行的26,545例胸部CT队列。随机选择的胸部CT报告由医学博士评分员使用Prodigy软件进行注释，以开发逐步NLP"流程"，首先排除既往或已知恶性肿瘤，确定肺结节的存在，然后分类任何推荐的随访。NLP是使用SpaCy平台上的RoBERTa大语言模型开发的，并使用Docker部署为开放获取软件。NLP开发后，将其应用于1000份CT报告，这些报告经过人工审查，使用公认的NLP指标（精确度、召回率和F1分数）确定准确性。

结果：恶性肿瘤的精确度、召回率和F1分数分别为0.85、0.71和0.77；结节的相应值为0.87、0.83和0.85；随访的相应值为0.82、0.90和0.85。在无恶性肿瘤且存在结节情况下，随访的总体准确率为93.3%。总体推荐随访率为12.4%，其中10.1%的患者有已知或既往恶性肿瘤证据。

结论：开发了一个准确的开放获取流程，用于识别急诊胸部CT中推荐随访的偶然肺结节。虽然推荐随访的患病率低于一些先前的研究，但它更准确地反映了无既往或已知恶性肿瘤的真正偶然发现的患病率。整合该工具可通过改进偶然肺结节的识别、沟通和跟踪来减少错误。

利益冲突声明

作者声明无利益冲突。

数据可用性声明

支持本研究结果的数据可根据通讯作者的要求获得。由于隐私或伦理限制，数据不公开可用。