基于自然语言处理的美国退伍军人事务医疗中心患者驱逐事件监测系统开发与流行病学分析

来自美国退伍军人事务医疗系统的研究人员利用自然语言处理(NLP)技术，开发了首个针对850万退伍军人的驱逐事件监测系统。研究显示，2018-2020年间NLP识别的驱逐事件(NIEs)年化发生率达1.37%(95% CI=1.36-1.38%)，并发现无家可归史(aOR=6.45)、药物使用障碍(aOR=2.53)等高风险因素，为预防退伍军人无家可归提供了精准干预靶点。

　　

驱逐事件在美国构成严峻的社会公共卫生挑战。自然语言处理(NLP)技术的突破使得通过医疗记录文本挖掘识别驱逐案例成为可能。这项开创性研究依托全美最大的综合医疗系统——退伍军人事务部(VA)医疗体系，构建了覆盖850万患者的主动监测网络。

数据分析揭示：2018年3月至2020年3月期间，NLP识别的驱逐事件(NIEs)两年累计发生率为2.38%(95% CI=2.37-2.39
%)，折合年发生率1.37%(95% CI=1.36-1.38
%)。逻辑回归模型锁定多个高风险群体：45-64岁男性、非裔黑人、未婚、高中以下学历、年收入≤45,000美元、居住于高 deprivation index 区域的都市人群。值得注意的是，军事性创伤史患者风险显著升高，而无家可归史患者风险飙升至6.45倍(95% CI=6.36-6.54
)。

精神健康维度同样令人警醒：药物滥用障碍(aOR=2.53)和精神分裂症(aOR=1.88)患者面临倍增风险。这些发现不仅证实驱逐事件在退伍军人群体中的特殊公共卫生意义，更通过NLP技术实现了风险人群的精准画像。该监测系统的建立为动态追踪住房不稳定趋势、优化无家可归预防策略提供了革命性的技术路径。