TY - JOUR AU - Zheng, Chengyi AU - Duffy, Jonathan AU - Liu, in - lu Amy AU - Sy, Lina S AU - Navarro, Ronald A AU - Kim, Sunhea S AU - Ryan, Denison S AU - Chen, Wansu AU - Qian, Lei AU - Mercado, Cheryl AU - Jacobsen, Steven J PY - 2022 DA - 2022/5/24 TI -美国肩部损伤与疫苗注射(SIRVA)相关的病例:开发和验证一个自然语言处理方法乔- JMIR公共卫生Surveill SP - e30426六世- 8 - 5 KW -健康KW -信息学KW -肩伤相关疫苗KW - SIRVA KW -自然语言处理KW - NLP KW -因果关系KW -时间关系KW -药物警戒KW -电子健康记录KW - EHR KW -疫苗安全KW -人工智能KW -大数据KW -人口健康千瓦KW -疫苗AB -真实的数据背景:与疫苗管理相关的肩伤(SIRVA)占国家疫苗伤害赔偿计划收到的所有索赔的一半以上。然而，由于难以在大型卫生保健数据库中发现SIRVA病例，基于人群的研究很少。目的:本研究的目的是开发一种自然语言处理(NLP)方法从临床记录中识别SIRVA病例。方法:我们对一家大型综合医疗机构的成员进行了研究，这些成员在2016年4月1日至2017年12月31日期间接种了疫苗，随后有指示肩部损伤的诊断代码。基于164例具有图表回顾参考标准的训练数据集，我们开发了一种NLP算法来提取肩部疾病信息，包括先前接种疫苗，解剖位置，时间和因果关系。该算法根据证据的强度确定了3组SIRVA阳性病例(确定、可能和可能)。我们将NLP结果与100例接种疫苗病例的图表审查参考标准进行了比较。然后，我们将最终的自动化NLP算法应用于更广泛的接种肩关节损伤诊断代码的人群，并对NLP识别的确定病例和所有NLP识别的可能和可能病例的随机样本进行手动图表确认。 Results: In the validation sample, the NLP algorithm had 100% accuracy for identifying 4 SIRVA cases and 96 cases without SIRVA. In the broader cohort of 53,585 vaccinations, the NLP algorithm identified 291 definite, 124 probable, and 52 possible SIRVA cases. The chart-confirmation rates for these groups were 95.5% (278/291), 67.7% (84/124), and 17.3% (9/52), respectively. Conclusions: The algorithm performed with high sensitivity and reasonable specificity in identifying positive SIRVA cases. The NLP algorithm can potentially be used in future population-based studies to identify this rare adverse event, avoiding labor-intensive chart review validation. SN - 2369-2960 UR - https://publichealth.www.mybigtv.com/2022/5/e30426 UR - https://doi.org/10.2196/30426 UR - http://www.ncbi.nlm.nih.gov/pubmed/35608886 DO - 10.2196/30426 ID - info:doi/10.2196/30426 ER -