论文
使用证据增强机器学习方法从急诊科分诊记录进行可转移的自我伤害监视
Transferable Self-Harm Surveillance from Emergency Department Triage Notes Using an Evidence-Augmented Machine Learning Approach
摘要
自残是一个主要的公共卫生问题，但由于诊断代码的敏感性较低，目前依赖医院表现的监测还不够。在最初接触点记录的急诊科 (ED) 分诊记录提供了简明的陈述摘要和识别自残的机会。我们开发了一种三阶段方法，通过基于 大语言模型 的筛查和证据提取来增强传统机器学习，以检测 ED 分诊记录中的自残行为。我们评估了模型在三个澳大利亚医院的可移植性。我们的方法在内部和外部验证期间显示 AUPRC 为 0.887 +/- 0.016 和 0.884 +/- 0.012。预计，它在开发站点实现了 0.881 +/- 0.008 的 AUPRC，在两个外部站点实现了 0.879 +/- 0.012 和 0.816 +/- 0.015，无需进行特定站点再训练。该方法的一个关键优势是，它能够以 95% 的准确度识别主要的自残方法，支持二元分类之外的更精细的监视。