《Biomedical Signal Processing and Control》：Application of natural language processing to predict diagnosis and treatments for 540 pediatric diseases based on 85,087 Electronic health records
编辑推荐：
引言：电子健康记录（EHR）支持临床护理和生物医学研究。自然语言处理（NLP）在EHR中的应用在提取临床见解方面显示出前景。然而，格式不一致、数据不平衡和过度简化的临床假设等局限性依然存在。方法：研究人员利用85,087份儿科EHR开发了一个基于NLP的三步预
引言：电子健康记录（EHR）支持临床护理和生物医学研究。自然语言处理（NLP）在EHR中的应用在提取临床见解方面显示出前景。然而，格式不一致、数据不平衡和过度简化的临床假设等局限性依然存在。方法：研究人员利用85,087份儿科EHR开发了一个基于NLP的三步预测模型。该模型旨在预测涵盖14个疾病类别的540种不同临床诊断，以及404种药物和手术治疗结局。研究人员采用结构化查询语言（SQL）提取临床相关信息，随后进行语言预处理和特征提取，并训练支持向量机（SVM）分类器。结果：总体诊断预测准确率为86.5%，治疗准确率平均为88.9%。不同疾病类别的表现存在差异。当对照组缺乏与病例组相同临床类别内的诊断或治疗时，预测准确率更高。来自多个来源的综合输入产生了最佳性能，尽管疾病特异性输入显示出较强的实用性。通过增加训练样本量，预测准确率得到提高；然而，稳定性分析表明，500份EHR的训练集足以将预测误差维持在大队列5%的范围内。结论：研究人员将NLP应用到一个纵向儿科EHR队列中，用于预测广泛的诊断和治疗类别。研究结果证明了这种方法的可行性和临床相关性，为稳健预测建模的最佳数据输入和样本量提供了见解。该模型可作为儿科诊疗中增强诊断和治疗指导的决策支持工具。
**论文解读：基于自然语言处理的大规模儿科电子健康记录诊断与治疗预测模型**
**研究背景与问题**
电子健康记录（EHR）是现代医疗体系的重要组成部分，其系统化、数字化的数据存储为临床决策和生物医学研究提供了宝贵资源。然而，当前基于机器学习（ML）的EHR应用面临多重挑战：首先，不同机构间数据格式缺乏标准化，导致术语、粒度不一致，当聚合多队列数据时引入显著的批次效应，影响模型的泛化性和可重复性。其次，大多数现有ML模型局限于狭窄的疾病领域（如单一疾病或心血管、癌症等特定类别），忽略了合并症的复杂性，尤其在儿科人群中表现不足。此外，针对治疗预测（如药物或手术）与诊断联合建模的研究较少，儿童疾病轨迹和治疗反应与成人差异显著。最后，数据不平衡、临床假设简化等问题普遍存在，限制了模型在现实临床场景中的应用。为解决这些空白，研究人员利用全球最大的儿科EHR数据库之一，开发了一个三阶段自然语言处理（NLP）机器学习框架，以预测广泛的儿科诊断与治疗，并探讨最优数据输入与样本量。
**关键技术方法**
本研究的样本队列来源于费城儿童医院（CHOP）应用基因组学中心（CAG）招募的85,087名儿科患者，EHR数据自2003年起纵向收集，涵盖所有临床就诊、诊断、病史、处方、手术及实验室结果。主要技术方法包括：①结构化提取：使用结构化查询语言（SQL）从EHR中提取人口学信息、调查问卷、用药记录、实验室结果、ICD-10症状编码、病史叙述及问题列表等七类临床信息。②自然语言处理预处理：对文本数据执行9步清洗（转小写、去重、空格替换、去数字、符号替换等），并通过词频-逆文档频率（TF-IDF）方法向量化。③机器学习建模：采用支持向量机（SVM）分类器，以1:1病例-对照比例平衡类别不平衡，设置两种对照类型（同类别不同疾病 vs. 不同类别），并采用10:90、50:50、90:10三种训练-测试分割评估模型稳定性。
**研究结果**
**3.1 自然语言处理（NLP）模型对临床诊断和治疗选择的预测性能**
基于90%训练数据，当对照组无同类别诊断时，模型在14个疾病类别上的平均诊断准确率达86.5%，范围从肿瘤的77.1%到呼吸系统疾病的93.4%。当对照组对象患有同类别但不同疾病时，平均准确率降至75.0%，准确率下降幅度在感染性疾病（-19.9%）、皮肤病（-18.8%）和损伤与中毒（-16.8%）中最大，而在肿瘤（-3.9%）和血液疾病（-7.2%）中最小，反映了临床特征的区分度差异。治疗预测平均准确率为88.9%（不同类别对照）和79.4%（同类别不同治疗对照），且治疗预测稳定性高于诊断（标准差分别为2.2% vs. 4.4%），其中局部用药准确性下降最大（-16.8%），抗肿瘤药下降最小（-3.8%），与药物多样性和临床特异性密切相关。
**3.2 利用电子健康记录（EHR）不同临床输入的自然语言处理（NLP）模型预测性能**
研究评估了七类EHR输入（调查问卷、用药记录、实验室结果、ICD-10症状、病史叙述、问题列表及综合数据）的诊断与治疗预测性能。综合输入在所有疾病和治疗类别中始终达到最高的精确率和召回率，问题列表次之，用药记录效果最差。病史叙述具有高精确率但低召回率，表明其保守分类特性，不适于筛查。标准化症状编码优于自由文本症状，实验室异常值在血液疾病中表现突出，其预测指标与综合输入相当。不同输入类型的表现模式与临床医生推理方式一致：具备客观特征（如血液疾病的实验室异常）可通过受限输入准确识别，而症状重叠疾病（如精神障碍）需综合多源信息。
**3.3 不同训练-测试比例下自然语言处理（NLP）模型的预测性能**
模型在90:10分割时性能最佳，50:50分割接近90:10，而10:90分割性能最低。增加训练样本量普遍提升精确率-召回率，但增益呈非线性：对样本量较小的疾病（如<500例），不同分割间的准确率差异较大；当样本量≥5,000例时，准确率趋于饱和。稳定性分析表明，500份EHR的训练集足以将预测误差维持在大队列5%的范围内，为实际应用提供了最小样本量参考。
**讨论总结与结论**
讨论部分指出，本研究利用单一机构、统一标准的最大儿科EHR队列之一，开发了可扩展的NLP-ML框架，克服了数据异质性和过拟合风险，实现了对540种诊断和404种治疗的预测。模型不仅整体准确率高（诊断86.5%、治疗88.9%），而且在不同对照设置下仍保持稳健。研究还揭示了不同临床输入对特定疾病的价值（如实验室数据对血液病）以及疾病特异性预测挑战。模型性能模式反映了临床推理逻辑，可作为快速病例筛选工具，辅助回顾性表型鉴定和临床关注优先级，但不应替代临床判断。研究结论翻译如下：总之，研究人员提出了一种可扩展、高性能的基于NLP的机器学习框架，用于儿科诊断和治疗预测，该框架基于一个独特、全面的EHR数据集。除了展示强大的预测准确性外，本研究还提供了关于特征重要性、疾病特异性预测挑战和稳健建模所需最小样本量的临床可操作见解。这些结果支持NLP增强模型在临床决策支持中的实用性，尤其是在诊断不确定性普遍的儿科诊疗环境中。
