基于自然语言处理的儿童肿瘤症状性不良事件识别：临床研究者的跨学科实践指南

本研究针对儿童肿瘤治疗中症状性不良事件（如恶心、呕吐等）难以从非结构化电子病历中系统识别的问题，通过构建跨学科团队开发自然语言处理（NLP）模型，建立包含480万临床笔记的数字实验室，验证现有cTAKES模型局限性，为临床AI研究提供可复制的协作框架。

　　

在儿童肿瘤治疗领域，化疗引发的恶心、呕吐、便秘等主观症状性不良事件（symptomatic adverse events）长期面临数据提取难题——这些信息散落在非结构化的临床笔记中，人工提取既耗时又易出错。更严峻的是，治疗毒性导致的剂量调整可能影响患儿长期生存，但现有自然语言处理（NLP）模型如cTAKES对儿科场景的识别准确率不足。

美国费城儿童医院（Children's Hospital of Philadelphia）的跨学科团队给出了创新解决方案。由临床肿瘤专家Clifton P Thornton与数据科学家组成的团队，通过构建包含18,408名患者、480万临床笔记的数字实验室，系统评估了NLP技术在识别五种高发毒性事件中的应用潜力。这项发表在《JMIR Bioinformatics and Biotechnology》的研究揭示：现有模型在症状严重度分级上表现欠佳，亟需开发定制化算法。

研究采用三大关键技术：1）基于HIPAA合规的Arcus数字实验室平台处理海量电子健康记录（EHR）；2）通过SQL和R语言构建关系型数据库，整合化疗给药时间、实验室值等结构化数据；3）迭代式临床笔记标注流程，结合CTCAE标准建立标注指南，并计算加权Cohen kappa评估标注者一致性。

【基础设施与数字实验室构建】

团队耗时14个月建立包含450万次给药记录的关系型数据库，发现EHR数据存储格式与临床显示存在显著差异，需定制代码筛选最新版笔记。验证环节通过随机抽查病历确认数据准确性，凸显临床与数据科学协作的必要性。

【目标笔记识别策略】

针对不同毒性设计特异性筛选逻辑：如 vincristine 给药14天内笔记筛查神经毒性，高致吐化疗7天内笔记追踪呕吐事件。数据科学家开发了基于体表面积（BSA）的剂量过滤算法，并排除非相关专科记录，最终提取约300份笔记进行标注训练。

【标注验证与模型评估】

经过三轮100份笔记的独立标注与指南修订，发现CTCAE标准在回顾性数据应用中存在局限性——如按需给药记录缺失影响严重度判断。基线cTAKES模型经人类表型本体（HPO）增强后，F₁-score仍不理想，证实需开发儿科特异性NLP模型。

这项研究的意义远超技术层面：它绘制了一份详实的"临床研究者AI实践路线图"。团队总结的五大挑战——从数据仓库与EHR的术语差异，到标注过程中的临床语境缺失，均为后续研究提供了规避路径。更关键的是，该框架证明：唯有临床专家深度参与数据标注和算法训练，才能开发出真正契合医疗场景的AI工具。随着Transformer等大语言模型的发展，这项研究奠定的跨学科协作模式和数字基础设施，将为真实世界证据生成开辟新范式。