MARC

 008250123s2024        us                              c    eng  d
■001000017164478
■00520250211153007
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384044314
■035    ▼a(MiAaPQ)AAI31631407
■035    ▼a(MiAaPQ)umichrackham005726
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aWeber,  Katherine  G.
■24510▼aDetecting  Risky  Alcohol  Use  With  Natural  Language  Processing  and  Computable  Phenotypes  in  Clinical  Records
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a141  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-03,  Section:  A.
■500    ▼aAdvisor:  Vydiswaran,  V.  G.  Vinod.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2024.
■520    ▼aAlcohol  use  is  common  throughout  the  United  States.  Alcohol  Use  Disorder  (AUD)  is  estimated  to  affect  12-14%  of  the  US  population,  and  has  destructive  impacts  on  the  physical  and  social  health  of  an  individual.  Unless  a  person  has  received  diagnosis  or  treatment  for  AUD,  information  about  their  consumption  is  largely  restricted  to  free-text  notes  in  their  social  history  and  is  difficult  to  locate  with  simple  searches.  Because  of  the  correlation  between  alcohol  use  and  poor  surgical  outcomes,  there  is  a  need  to  locate  alcohol-related  information  and  calculate  alcohol-use  risk  for  clinicians  who  may  be  seeing  a  patient  for  the  first  time  before  a  procedure.  This  information  alert  the  preoperative  team  to  this  under-recognized  surgical  risk  factor,  triggering  additional  alcohol  screening  that  could  aid  in  clinical  decision  making.The  aims  of  this  dissertation  are  to  develop  a  natural  language  processing  (NLP)  classifier  that  assesses  the  text  in  health  records  to  issue  a  label  representing  the  degree  to  which  the  patient  experiences  risky  alcohol  use;  and  to  develop  a  computable  phenotype  for  risky  alcohol  use  that  uses  structured  data  in  the  clinical  record.A  binary  (high-risk/not  high-risk)  NLP  classifier  has  an  F1  score  of  0.78,  far  outperforming  the  ability  of  ICD  codes  alone  to  correctly  identify  high-risk  patients.  An  ordered  four-class  NLP  algorithm  applies  a  transformer  encoder  and  a  CNN  for  intermediate  labeling  and  a  bidirectional  LSTM  neural  network  as  an  inference  head  to  effectively  build  a  model  with  scarce  data  in  rare  classes  to  an  overall  macro  F1  score  of  0.77,  with  true-positive  performance  of  0.83  and  0.73  for  Probable-Dependence  and  High-Risk,  respectively.  The  proposed  structured-data  computable  phenotype  is  novel  in  its  ability  to  provide  stratified  levels  of  risk  and  as  a  two-class  classifier,  is  significantly  more  effective  than  others  in  the  literature.  However,  it  is  unable  to  classify  41%  of  patients  and  relies  on  non-standard  structured  data  in  the  record  for  its  improvements  over  another  published  phenotype.Finally,  we  consider  this  model  in  the  context  of  other  Large  Language  Model  approaches  to  clinical  concept  extraction,  examine  the  utility  of  alternatives  to  the  F1  statistic  for  model  selection  in  ordinal  classifiers,  and  validate  the  NLP  approach  to  extracting  and  calculating  a  numeric  value  for  a  patient's  weekly  alcohol  consumption.  This  dissertation's  contributions  include  a  multi-stage,  novel  approach  for  extracting  sparse  information  in  a  noisy,  imbalanced  dataset,  a  new  ordinal  NLP  classifier  representing  alcohol-use  risk,  and  a  four-class  computable  phenotype  for  alcohol-use  risk.
■590    ▼aSchool  code:  0127.
■650  4▼aInformation  technology
■650  4▼aAmerican  studies
■650  4▼aPsychology
■650  4▼aMental  health
■653    ▼aNatural  language  processing
■653    ▼aAlcohol  Use  Disorder
■653    ▼aUnited  States
■653    ▼aUS  population
■653    ▼aICD  codes
■690    ▼a0489
■690    ▼a0323
■690    ▼a0621
■690    ▼a0347
■71020▼aUniversity  of  Michigan▼bHlth  Infrastr  &  Lrng  Systs  PhD.
■7730  ▼tDissertations  Abstracts  International▼g86-03A.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17164478▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서