دانلود مقاله انگلیسی رایگان:خودکار سازی طبقه بندی زیرگروه ایسکمیک سکته مغزی با استفاده از یادگیری ماشین و پردازش زبان طبیعی - 2019
دانلود بهترین مقالات isi همراه با ترجمه فارسی
دانلود مقاله انگلیسی یادگیری ماشین رایگان
  • Automating Ischemic Stroke Subtype Classification Using Machine Learning and Natural Language Processing Automating Ischemic Stroke Subtype Classification Using Machine Learning and Natural Language Processing
    Automating Ischemic Stroke Subtype Classification Using Machine Learning and Natural Language Processing

    سال انتشار:

    2019


    عنوان انگلیسی مقاله:

    Automating Ischemic Stroke Subtype Classification Using Machine Learning and Natural Language Processing


    ترجمه فارسی عنوان مقاله:

    خودکار سازی طبقه بندی زیرگروه ایسکمیک سکته مغزی با استفاده از یادگیری ماشین و پردازش زبان طبیعی


    منبع:

    Sciencedirect - Elsevier - Journal of Stroke and Cerebrovascular Diseases, 28 (2019) 2045-2051: doi:10:1016/j:jstrokecerebrovasdis:2019:02:004


    نویسنده:

    Ravi Garg, MS,* Elissa Oh, MS,* Andrew Naidech, MD, MSPH,* Konrad Kording, PhD,† and Shyam Prabhakaran, MD, MS


    چکیده انگلیسی:

    The manual adjudication of disease classification is time-consuming, error-prone, and limits scaling to large datasets. In ischemic stroke (IS), subtype classification is critical for management and outcome prediction. This study sought to use natural language processing of electronic health records (EHR) combined with machine learning methods to automate IS subtyping. Methods: Among IS patients from an observational registry with TOAST subtyping adjudicated by board-certified vascular neurologists, we analyzed unstructured text-based EHR data including neurology progress notes and neuroradiology reports using natural language processing. We performed several feature selection methods to reduce the high dimensionality of the features and 5-fold cross validation to test generalizability of our methods and minimize overfitting. We used several machine learning methods and calculated the kappa values for agreement between each machine learning approach to manual adjudication. We then performed a blinded testing of the best algorithm against a held-out subset of 50 cases. Results: Compared to manual classification, the best machine-based classification achieved a kappa of .25 using radiology reports alone, .57 using progress notes alone, and .57 using combined data. Kappa values varied by subtype being highest for cardioembolic (.64) and lowest for cryptogenic cases (.47). In the held-out test subset, machine-based classification agreed with rater classification in 40 of 50 cases (kappa .72). Conclusions: Automated machine learning approaches using textual data from the EHR shows agreement with manual TOAST classification. The automated pipeline, if externally validated, could enable large-scale stroke epidemiology research.
    Key Words: Ischemic stroke| cryptogenic | cardioembolism |natural language processing | machine learning


    سطح: متوسط
    تعداد صفحات فایل pdf انگلیسی: 7
    حجم فایل: 409 کیلوبایت

    قیمت: رایگان


    توضیحات اضافی:




اگر این مقاله را پسندیدید آن را در شبکه های اجتماعی به اشتراک بگذارید (برای به اشتراک گذاری بر روی ایکن های زیر کلیک کنید)

تعداد نظرات : 0

الزامی
الزامی
الزامی
rss مقالات ترجمه شده rss مقالات انگلیسی rss کتاب های انگلیسی rss مقالات آموزشی