TY - JOUR AU - Jin, Yonghao AU - Li, Fei AU - Vimalananda, Varsha G AU - Yu, Hong PY - 2019 DA - 2019/11/8 TI -从糖尿病患者的电子健康记录中自动检测低血糖事件:经验研究JO - JMIR Med Inform SP - e14340 VL - 7 IS - 4kw -自然语言处理KW -卷积神经网络KW -低血糖KW -不良事件AB -背景:在接受糖尿病治疗的患者中，低血糖事件是常见的和潜在的危险情况。这种事件的自动检测可以改善病人的护理，在人口研究中是有价值的。电子健康记录(EHRs)是检测此类事件的宝贵资源。目的:在本研究中，我们旨在开发一个基于深度学习的自然语言处理(NLP)系统，以自动检测EHR记录中的低血糖事件。我们的模型被称为自动检测低血糖事件的高性能系统(HYPE)。方法:领域专家回顾500例糖尿病患者的EHR记录，确定每句话是否包含低血糖事件。我们使用这个注释语料库来训练和评估用于低血糖检测的高性能NLP系统HYPE。我们构建并评估了经典的机器学习模型(即支持向量机[svm])和最先进的神经网络模型。结果:我们发现神经网络模型优于支持向量机模型。 The convolutional neural network (CNN) model yielded the highest performance in a 10-fold cross-validation setting: mean precision=0.96 (SD 0.03), mean recall=0.86 (SD 0.03), and mean F1=0.91 (SD 0.03). Conclusions: Despite the challenges posed by small and highly imbalanced data, our CNN-based HYPE system still achieved a high performance for hypoglycemia detection. HYPE can be used for EHR-based hypoglycemia surveillance and population studies in diabetes patients. SN - 2291-9694 UR - http://medinform.www.mybigtv.com/2019/4/e14340/ UR - https://doi.org/10.2196/14340 UR - http://www.ncbi.nlm.nih.gov/pubmed/31702562 DO - 10.2196/14340 ID - info:doi/10.2196/14340 ER -