自然语言处理(NLP)较单纯诊断编码显著提升COVID-19识别准确度的差异性研究

来自美国家庭队列的研究人员通过对比诊断编码与自然语言处理(NLP)技术的分类效能，揭示了COVID-19识别中存在年龄、种族差异的误分类现象。研究基于21,659例使用抗病毒药物患者和5,000例医生确诊样本，开发三种NLP算法（树模型/循环神经网络/Transformer），证实仅63%实际感染者被ICD-10编码正确识别，其中18岁以下患者敏感度达68.6%显著高于75岁以上群体(60.6%)，西班牙裔识别率(68.0%)优于黑人患者(58.5%)。

　　

这项概念验证研究揭示了医疗诊断编码在COVID-19识别中的局限性。通过分析美国家庭队列中26,659例患者数据（包含5,000例经医生笔记确诊案例和21,659例接受COVID-19特异性抗病毒治疗者），研究团队构建了三种自然语言处理(NLP)分类器——决策树模型、循环神经网络(RNN)和基于Transformer的算法。

令人惊讶的是，仅63%实际感染者被国际疾病分类第10版(ICD-10)编码准确标识。年龄差异尤为显著：18岁以下青少年检测敏感度达68.6%，而75岁以上老年人骤降至60.6%。种族差异同样存在，西班牙裔患者识别率(68.0%)明显高于黑人群体(58.5%)。

该研究首次系统论证了自然语言处理技术在提升COVID-19识别准确性方面的优势，特别是针对不同人口统计学亚群存在的差异性误分类问题。临床笔记的语义分析相较传统诊断编码展现出更强的病例捕捉能力，为精准流行病学研究提供了新范式。