Сестринские рекомендации по уходу за больными при различных пневмониях


Особенности ухода за больными при пневмонии

Воспаление легких или пневмония – вирусное или бактериальное заболевание, при котором поражается легочная ткань. Болезнь требует профессионального медицинского контроля и комплексного лечения, которое обычно проходит в стенах медицинского учреждения или в домашних условиях. Вне зависимости от места нахождения пациента, услуга сестринского ухода упрощает процесс оказания помощи больному и помогает ускорить выздоровление. Квалифицированный персонал контролирует соблюдение рекомендаций врача, параллельно наблюдая за самочувствием подопечного.

Когда необходим сестринский уход

Родственники и близкие не всегда способны организовать свое время так, чтобы все особенности ухода за больным с пневмонией соблюдались в полной мере: кому-то не позволяет состояние здоровья, кто-то не может оставить работу, кто-то должен присматривать за иждивенцами. Также врач может рекомендовать уход медицинской сестры в трех случаях заболевания:

  • Интерстициальная пневмония – течение болезни осложняется дыхательной недостаточностью, что требует постоянного контроля
  • Долевая или крупозная пневмония – поражение легочной ткани сопряжено с тяжелым состоянием больного
  • Очаговая – одна из видов острой пневмонии

Важно помнить, что болезнь очень быстро прогрессирует – поэтому время и скорость полного выздоровления пациента напрямую зависит от организованности ухода. Особого внимания заслуживает пневмония у маленьких детей и возможное развитие осложнений, которые всегда лучше предупредить, чем лечить.

Организация правильного ухода

В обязанности патронажной сестры, наблюдающей больного пневмонией, входит наблюдение за:

  • Режимом дня, гигиеной пациента
  • Приемом лекарств и выполнением предписанных процедур
  • Состоянием больного в процессе лечения

Медицинская сестра следит за тем, чтобы пациент полностью соблюдал постельный режим, иначе ослабленный организм не только не справится с болезнью, но и заработает осложнения. Пристального внимания требует и питание больного наряду с количеством потребляемой жидкости. Важная функция патронажной сестры заключается в том, что весь первый период заболевания пациент находится под ее контролем – а, значит, именно медсестра способна заметить изменения в состоянии больного и обратить внимание лечащего врача на улучшение или ухудшение самочувствия.

Особенности ухода за маленькими детьми при пневмонии

Течение болезни у детей осложняется чаще, чем у взрослых – именно поэтому сестринский уход должен быть внимательным и ответственным. Грамотно выстроенная система оказания помощи обеспечит быстрое выздоровление, а постоянное наблюдение медработника не упустит возможные изменения самочувствия ребенка. Сестринское вмешательство при воспалении легких у детей включает в себя:

  • Организацию постельного режима, изоляцию ребенка от других людей
  • Обеспечение необходимого питания и потребления жидкости
  • Наблюдение за общим состоянием больного и отдельными параметрами: температурой, пульсом, дыханием и т.д.
  • Поддержание чистоты и комфортного микроклимата в помещении
  • Проведение необходимых медицинских манипуляций и прием лекарственных препаратов
  • Консультирование родителей или их законных представителей о состоянии больного

Особенности уборки помещения

Помимо наблюдения за самочувствием пациента патронажная сестра следит за помещением, в котором находится больной. Больничная палата стационара (или комната, если пациент лечится в домашних условиях) нуждается в регулярном проветривании. Свежий и влажный воздух – один из факторов выздоровления при условии, что воздух теплый и в палате (комнате) нет сквозняков. В холодное время года удобно воспользоваться увлажнителем воздуха, либо выбрать менее затратный метод – поставить емкость с водой возле источника тепла. Испаряясь, жидкость будет увлажнять воздух без его охлаждения (как в случае с открытым окном).

Постельное и нательное белье пациента регулярно меняется. Как можно чаще проводится влажная уборка, предотвращающая скопление пыли и попадание ее в легкие. Если уборка проводится с помощью дезинфицирующих средств, следует выбирать щадящие составы, не имеющие резкого запаха.

Гигиена больного при пневмонии

В обязанности медицинской сестры входит обеспечение гигиены пациента, а также комфортного положения тела (если речь идет о тяжелых случаях). Больным пневмонией следует лежать с приподнятой головой – для этого медработник может приподнять изголовье кровати или просто подложить подушки. Воспаление легких может протекать настолько тяжело, что пациенту трудно передвигать ноги или переворачиваться с боку на бок – с этим тоже помогают приставленные люди. Правильное положение корпуса во время болезни обеспечивает отдых для мышечной системы, что благоприятно для самочувствия больного.

Сестринский уход незаменим для лежачих больных, ведь состояние пациента требует постоянного присутствия помощника. Следует ежедневно обмывать кожный покров теплой водой и проводить гигиенические процедуры после посещения туалета. Если мокрота отходит с трудом, то медсестра проводит постуральный дренаж, а также очищает ротовую полость дезинфицирующим раствором (во избежание воспаления). Протекание пневмонии нередко сопровождается повышением температуры, которую нужно отслеживать для предупреждения лихорадки.

Питание при воспалении легких

Грамотная организация питания может улучшить состояние больного: для этого необходимо придерживаться принципа «часто, но понемногу». Небольшие порции с интервалом в 2-3 часа не станут большой нагрузкой для ослабленной пищеварительной системы, но помогут ускорить обмен веществ. В рацион входит:

  • Отварное куриное филе или рыба
  • Бульоны
  • Овощи
  • Молочная продукция

Обязательное условия режима – обильное теплое питье, способствующее разжижению мокроты и ее последующему выведению из организма. Поить можно обычной водой, морсами, отварами ягод или минеральной водой без газа. Полноценное и сбалансированное питание помогает организму восстанавливать силы и бороться с заболеванием. На этапе выздоровления режиму питания и питья также уделяется большое внимание, чтобы избежать осложнений и других негативных последствий.

03.04 Сестринское дело и патофизиология пневмонии

Pre-Nursing

Студент медсестры

Подготовка к NCLEX

,

План сестринского ухода при пневмонии

Pre-Nursing

Студент медсестры

.

Все страны одинаково относятся к детям? Обзор литературы

Предпосылки . Пневмония представляет собой серьезную угрозу для здоровья детей как в развитых, так и в развивающихся странах. За последние 10 лет было опубликовано множество национальных и международных руководств по лечению ВП у детей с целью оптимизации назначения антибиотиков и ограничения их стоимости и побочных эффектов. Однако практическая реализация этих рекомендаций все еще ограничена. Основной текст . Мы проанализировали текущие рекомендации по терапии детской внебольничной пневмонии (ВП), которые сводятся к идентификации аминопенициллинов и бета-лактамов в качестве оптимального лечения ВП. Мы также провели обзор текущей литературы о схемах приема антибиотиков, используемых при педиатрической ВП, чтобы определить текущее состояние внедрения рекомендаций в различных условиях. Мы выбрали 37 исследований, опубликованных с 2010 по 2016 годы, включая ретроспективные и проспективные исследования, в основном поперечные и стационарные.Результаты показывают глобальную неоднородность в рецептах антибиотиков для педиатрической ВП, с применением рекомендаций, варьирующихся от 0% до более 91%, и с важными различиями даже в пределах одной страны. Выводы . Наш обзор показал, что выполнение руководящих принципов все еще ограничено, но также, что достижение оптимального рецепта возможно и может быть сделано как в развитых, так и в развивающихся странах.

1. Введение

Пневмония - самая серьезная причина смерти детей во всем мире, по оценкам, 1.3 миллиона случаев смерти в 2011 году, и более 90% случаев произошли в развивающихся странах [1–3]. Он является причиной 4% случаев смерти новорожденных и 14% случаев смерти пациентов детского возраста [4]. Заболеваемость ВП ниже в развитых странах: в США она составляет около 35-40/1000 человеко-лет у детей младше 5 лет, 20/1000 человеко-лет у детей 5-10 лет и 10/1000 человек. человеко-лет у детей> 10 лет. Несмотря на это, примерно 50% детей с ВП младше 5 лет, 20% детей в возрасте 5–10 лет и 10% детей старше 10 лет нуждаются в госпитализации [5].Эти цифры демонстрируют бремя, которое CAP представляет для общества и экономических ресурсов здравоохранения.

2. Материалы и методы

В первой части исследования мы сравнили последние национальные и международные руководства по педиатрической ВП, включая все те, которые были опубликованы с 2005 по 2016 год, сосредоточив внимание на их рекомендациях для терапии первой линии.

Затем мы выполнили поиск в базах данных PubMed и Scopus, отыскивая исследования, опубликованные с 2010 по 2016 год о противомикробной терапии ВП у детей, пытаясь получить данные из как можно большего количества стран.Мы также провели ручной поиск ссылок на соответствующие статьи. В наш поиск были включены как ретроспективные, так и проспективные исследования, в основном кросс-секционные и стационарные, включая как стационарные, так и амбулаторные. Все они, кроме одного [6], включали только педиатрических больных.

Чтобы получить более обширный обзор поведения при назначении противомикробных препаратов, для тех стран, где не проводились специальные исследования по назначению противомикробных препаратов для ВП, был проведен поиск статей о назначениях противомикробных препаратов в педиатрических возрастных группах.Были включены все статьи, в том числе ВП как причина лечения.

3. Результаты и обсуждение
3.1. В разных странах, одни и те же патогены

Организмы, ответственные за ВП, различаются по возрасту в зависимости от развивающейся иммунной системы и возрастного воздействия: вирусы или смешанные инфекции чаще встречаются среди более молодых пациентов (дети до 5 лет), в то время как исключительно бактериальные происхождение и атипичная этиология (в основном Mycoplasma pneumoniae и Chlamydophila pneumoniae ) чаще выявляются у детей старшего возраста [7, 8]. S. pneumoniae и Haemophilus influenzae - наиболее распространенные бактериальные патогены, выделяемые у детей в возрасте до пяти лет, при этом ВП составляет 30–50% и 10–30% соответственно [9]. Около 50% смертей от пневмонии связаны с этими микроорганизмами [10].

Вирусная этиология документально подтверждена до 80% случаев ВП у детей младше 2 лет и гораздо реже у детей старшего возраста (10–16 лет). Наиболее часто встречающийся вирусный патоген у детей младшего возраста - это респираторно-синцитиальный вирус (RSV) , который редко выявляется у детей старшего возраста.Реже встречаются аденовирусов , Bocavirus , человеческого метапневмовируса , вирусов гриппа A и B , вирусов парагриппа , вирусов коронавируса, и риновирусов. До 33% госпитализированных детей одновременно заражены 2 и более вирусами. Смешанные инфекции (как вирусной, так и бактериальной этиологии) зарегистрированы у 2–50% детей с ВП, чаще у стационарных пациентов, которые болеют тяжелее, чем амбулаторные [3, 11].

Атипичная пневмония, вызванная разными возбудителями, характеризуется различным клиническим течением: медленно прогрессирующим с недомоганием, болью в горле, субфебрильной температурой и кашлем, развивающимся в течение 3-5 дней. Основными возбудителями атипичной пневмонии являются M. pneumoniae у детей старшего возраста и C. pneumoniae у младенцев. Legionella видов у детей выявляются редко [8, 12, 13].

Этиологическое определение затруднено по многим причинам, таким как низкий выход посевов крови, сложность получения адекватных образцов мокроты у детей младшего возраста, частое загрязнение образцов бактериальной флорой верхних дыхательных путей и инвазивность биопсии легких, аспирации легких и бронхоальвеолярного лаважа, который выполняются редко [13].Однако за последние 10 лет были усовершенствованы методы ПЦР для идентификации вирусов по аспиратам или секретам из носоглотки, а в настоящее время в Европе и США широко используются молекулярные анализы.

Вакцины - наиболее эффективная стратегия профилактики ВП у детей. Конъюгированная вакцина Haemophilus influenzae типа B (HiB) и 7-валентная пневмококковая конъюгированная вакцина (PCV7) резко снизили частоту бактериальной ВП после введения всеобщих кампаний вакцинации [14, 15].В течение нескольких лет ПКВ были включены в графики иммунизации детей первого года жизни во многих странах, и они полностью изменили бремя пневмококковых заболеваний среди этих детей и их непривитых контактов любого возраста [16]. В настоящее время поливалентная пневмококковая вакцина (PCV13) обеспечивает иммунитет примерно к 85% серотипов, ответственных за большинство инвазивных пневмококковых заболеваний [17].

3.2. Те же патогены, одинаковое лечение: Международные рекомендации CAP

С момента своего появления в 20 веке антибактериальная терапия, наряду с вакцинами, снизила смертность от CAP на 97% в развитых странах [14].В большинстве случаев выбор противомикробного средства является эмпирическим и основан на наиболее распространенной этиологии для каждой возрастной группы, местной распространенности возбудителей болезней и наличии факторов риска для атипичных или резистентных бактерий [18].

За последние 10 лет во многих руководствах был определен лучший режим противомикробной терапии ВП у детей с учетом спектра активности, чувствительности к противомикробным препаратам, переносимости, биодоступности, безопасности и стоимости [19, 20]. Как уже подчеркивалось другими авторами, в этих рекомендациях представлены некоторые различия в стратегиях лечения, но почти все согласны с терапией первой линии, которую следует назначать в случае ВП (рис. 1) [19].

.

Выявление пациентов с пневмонией из отчетов отделений интенсивной терапии с произвольным текстом

Транскрипция

1 Выявление пациентов с пневмонией из отчетов отделений интенсивной терапии с произвольным текстом Мелиха Йетисген-Йилдиз 1,3 Брэд Дж. Главан 2 Фей Ся 3,1 Люси Вандервенде 4,1 Марк М. Вурфель 2 Биомедицинская и медицинская информатика 1, Легочная и реанимационная медицина 2, Вашингтонский университет, Сиэтл, Вашингтон 98195, Лингвистика США 3, Вашингтонский университет, Сиэтл, Вашингтон 98195, США Microsoft Research 4, Редмонд, Вашингтон 98052, США Аннотация Клинические исследования, изучающие фенотипы критических заболеваний, основываются на идентификации определенных клинических синдромов. по консенсусным определениям.Пневмония - яркий тому пример. Исторически сложилось так, что выявление пневмонии требовало просмотра карты вручную, что требовало много времени и ресурсов. Общая исследовательская цель нашей работы - разработать автоматизированные подходы, позволяющие точно определять фенотипы критических заболеваний. В этой статье мы описываем наш подход к идентификации пневмонии по электронным медицинским картам, представляем наши предварительные результаты и описываем будущие шаги. 1. Введение. Выявление сложных клинических фенотипов среди пациентов в критическом состоянии является серьезной проблемой в клинических исследованиях.Несмотря на то, что существуют большие наборы административных данных о пациентах отделения интенсивной терапии (ОИТ), им не хватает детальных данных, необходимых для точного определения сложных фенотипов и определения относительного времени событий в течение критического заболевания. С введением всеобъемлющих электронных медицинских карт (EMR) все аспекты лечения в отделениях интенсивной терапии теперь можно фиксировать как в структурированном, так и в текстовом формате. Наличие таких данных дает возможность идентифицировать критические фенотипы болезни и облегчить клинические и трансляционные исследования больших групп пациентов в критическом состоянии, что было бы невозможно при использовании традиционных методов скрининга / ручного извлечения диаграмм.Наша основная цель исследования - создать автоматизированные инструменты для определения фенотипов критических заболеваний и моделирования их прогрессирования на основе данных интенсивной терапии. Для этого мы выбрали пневмонию в качестве первого фенотипа критического заболевания и провели предварительные эксперименты, чтобы изучить проблемное пространство. В современных подходах для выявления случаев пневмонии используется извлечение из диаграммы вручную или сбор данных у постели больного. Это трудоемкий процесс, требующий множества субъективных оценок. В этой статье мы сосредоточимся на выявлении пневмонии на основе информации, доступной в различных типах отчетов, созданных во время пребывания пациента в отделении интенсивной терапии.2. Связанные работы. Несколько исследований продемонстрировали ценность обработки естественного языка (NLP) для различных приложений здравоохранения (Hripcsak et al., 1995; Demner-Fushman et al., 2009). Одно из таких приложений - наблюдение за инфекционными заболеваниями. Эпиднадзор за пневмонией требует значительных ресурсов. В этой области различные исследователи широко изучают экстракцию различных типов пневмонии. В качестве одного из самых ранних примеров Fiszman et al. протестировали инструмент НЛП под названием SymText для выявления концепций, связанных с острой бактериальной пневмонией в отчетах о рентгенографии грудной клетки, и сравнили его эффективность с человеческой аннотацией (Fiszman et al., 1999). Их результаты показали, что производительность SymText была аналогична работе врача. Та же исследовательская группа использовала концепции, идентифицированные SymText в качестве функций для автоматического определения отчетов о рентгенограммах грудной клетки, подтверждающих пневмонию (Chapman & Haug, 1999; Fizsman et al., 2000; Chapman et al., 2001; Aronsky et al., 2001). ). В своих экспериментах они сравнили эффективность классификации пневмонии двумя алгоритмами машинного обучения (деревья решений и байесовские сети) и двумя подходами, основанными на правилах (простой поиск по ключевым словам и правила, созданные экспертами).Их результаты показали, что байесовские сети работают не хуже, чем системы, созданные экспертами, и ручные аннотации, выполняемые врачом и неспециалистом. Другая группа исследователей изучала возможность использования подходов НЛП для выявления пневмонии, связанной с оказанием медицинской помощи, у новорожденных на основе отчетов о рентгенографии грудной клетки (Mendonca et al., 2005; Haas et al., 2005). Их подход к НЛП включает два компонента: систему MedLEE NLP и правила, которые обращаются к выходным данным MedLEE. Правила были вручную составлены медицинским экспертом для выявления отчетов о рентгенограммах грудной клетки, указывающих на наличие пневмонии.Элькин и др. также применяли подходы НЛП для выявления случаев пневмонии в радиологических отчетах с произвольным текстом (Elkin et al., 2008). Их система закодировала радиологические отчеты

2 с помощью SNOMED CT Ontology и впоследствии применила набор созданных вручную правил к аннотациям SNOMED CT для идентификации радиологических результатов и диагнозов, связанных с пневмонией. Вышеупомянутые исследования были сосредоточены в первую очередь на выявлении случаев пневмонии по отчетам рентгенолога грудной клетки.Хотя радиологические изменения в легких являются необходимым условием для диагностики пневмонии, существуют данные в других областях, таких как описание заболевания, физиологические показатели и лабораторные отклонения, которые могут значительно повысить точность и глубину идентификации случаев пневмонии (Lutfiyya et al. al., 2006; Mandell et al., 2007). Поскольку рентгенологические аномалии грудной клетки составляют только часть определения пневмонии, любая система, направленная на идентификацию пневмонии, которая включает только информацию рентгеновского снимка грудной клетки, приведет к значительной фенотипической ошибочной классификации.Таким образом, остается неудовлетворенной потребность в точном определении клинических компонентов фенотипа пневмонии. Ежедневные записи врача - потенциально богатый источник клинической информации, указывающий на наличие таких фенотипов, как пневмония. В отличие от узкого объема информации, предоставляемой радиологическими отчетами, ежедневные заметки врача включают текст с подробным описанием пациента, физиологические данные, визуальные и лабораторные данные и, наконец, интерпретацию этих данных врачом. Мы выдвинули гипотезу, что, используя записи врача, такие как записи о приеме в отделение, записи о прогрессе в отделении интенсивной терапии и резюме выписки, автоматизированные подходы, включающие НЛП и машинное обучение, могут точно идентифицировать пневмонию в условиях отделения интенсивной терапии.3. Методы. Общая архитектура нашего подхода к обработке текста для извлечения пневмонии может быть найдена на рисунке 1. В следующих разделах мы подробно объясним основные этапы подхода к обработке текста. 3.1 Набор данных Набор данных состоял из 426 пациентов. Аннотации, использованные в этом исследовании, были созданы для другого продолжающегося исследования субъектов интенсивной терапии, которое было описано ранее (Glavan et al., 2011). Комментатор с 6-летним опытом работы медсестрой-исследователем вручную классифицировал пациента как положительный, если у пациента была пневмония в течение первых 48 часов после поступления в ОИТ, и как отрицательный, если у пациента не было пневмонии или пневмония была обнаружена после первых 48 часов. часов приема в реанимацию (66 положительных на пневмонию и 360 отрицательных на пневмонию).Аннотации предназначались для каждого пациента, и у аннотатора был доступ к тому же набору текстовых отчетов, который использовался для наших исследований НЛП. Однако аннотатор не выполнял аннотации на уровне предложений или отчетов для этого предоставленного корпуса. Поскольку аннотация, относящаяся к наличию или отсутствию пневмонии, была ограничена периодом в пределах 48 часов после поступления в ОИТ в этом наборе данных, а большинство пациентов были помещены в ОИТ в течение 24 часов госпитализации (см. Рисунок 2), мы нацелены на наш классификатор пневмонии определить пневмонию, возникшую в течение 72 часов после госпитализации 1.Рисунок 1. Общая системная архитектура классификатора пневмонии. Пневмония определяется как инфекция нижних дыхательных путей, которая связана с симптомами острой инфекции с новым инфильтратом на рентгенограмме грудной клетки. В таблице 1 представлена ​​сводка характеристик пневмонии. Таблица 1. Характеристики бактерий пневмонии: - H. influenza - Стрептококковая пневмония - Staph aureus - Виды Legionella - Виды Chlamydia - Pseudomonas aeruginosa Вирусы: - Грипп - Грибки парагриппа C: - Бластомикоз - Кокцидиомикоз - Гистоплазмоз КЛИНИЧЕСКИЕ СИСТЕМЫ ПРОИЗВОДСТВА Одышка Боль в груди Недомогание, усталость Аномальное количество лейкоцитов Боли в мышцах ФАКТОРЫ РИСКА Возраст> 65 лет, иммуносупрессия, недавний прием антибиотиков Коморбидные заболевания: ВИЧ, астма, ХОБЛ, почечная недостаточность, хроническая сердечная недостаточность, диабет, заболевания печени, рак, инсульт 1 для время поступления в отделение интенсивной терапии этого набора данных недоступно.

3 Пневмонию можно дополнительно классифицировать в зависимости от контекста, в котором она возникает. Внебольничная пневмония (ВП) относится к пневмонии, которая возникает за пределами стационара, тогда как внутрибольничная пневмония (ВП) относится к пневмонии, которая возникает после поступления в больницу. Поскольку субъекты в этом наборе данных поступали в отделение интенсивной терапии из отделения неотложной помощи, а также из других больниц, случаи пневмонии включали как ВП, так и ВП.Наш набор данных включает в общей сложности 5313 отчетов из восьми типов отчетов (заметка о поступлении, ежедневная заметка о ходе работы в отделении интенсивной терапии, ежедневная заметка о ходе оказания неотложной помощи, заметка о переводе / переходе, сводка о переводе, ежедневная заметка о кардиологическом состоянии и сводка о выписке) для 426 пациентов. Общее количество сообщений на человека варьировалось в широких пределах (медиана = 8, межквартильный размах = 5-13, минимум = 1, максимум = 198). Это связано с большой разницей в продолжительности пребывания в отделении интенсивной терапии. Распределение между восемью различными типами отчетов представлено в таблице 2.В первом столбце таблицы указано количество отчетов для каждого типа отчета, а во втором столбце указано количество отдельных пациентов, для которых в наборе данных был указан этот тип отчета. Как видно из таблицы, не у всех пациентов есть все типы отчетов. Например, только 280 (65% = 280/426) пациентов имели записи о поступлении; остальные 146 пациентов были переведены в отделение интенсивной терапии из других медицинских отделений и поэтому не имели госпитализации. Было 350 (82% = 350/426) пациентов с выписками.Следует отметить, что только подгруппа из 236 пациентов имела как медицинские записи, так и выписки (55% = 236/426). Таблица 2. Статистика отчета. Число отчетов: частота типов отчетов. Число пациентов: количество отдельных пациентов, которым был предоставлен данный тип отчета. ТИП ОТЧЕТА ОТЧЕТ КОЛИЧЕСТВО ПАЦИЕНТОВ ДОПУСТИМЫЕ ЗАПИСИ ICU ЕЖЕДНЕВНАЯ ЗАПИСКА О ПРОГРЕССЕ ОСТРАЯ ПОМОЩЬ ЕЖЕДНЕВНАЯ ЗАПИСКА О ПРОГРЕССЕ ПРОМЕЖУТОЧНАЯ ОБЗОРНАЯ ИНФОРМАЦИЯ О ПЕРЕНОСЕ / ПЕРЕХОД ЗАПИСКА ПЕРЕДАЧА КАРДИОЛОГИЯ ЕЖЕДНЕВНАЯ ЗАПИСКА О ВЫПОЛНЕНИИ РЕЗЮМЕ Распределение основных типов заметок по дням после поступления показано на рисунке 2.Эти гистограммы демонстрируют, что более 75% записей о поступлении, собранных в этом корпусе, относятся к моменту первой госпитализации. Кроме того, в течение первых 96 часов приема постоянно были представлены записи о прогрессе в отделении интенсивной терапии. Эти данные показывают, что записи о поступлении будут в значительной степени свидетельствовать о догоспитальном и раннем пребывании в больнице, в то время как заметки о прогрессе в отделении интенсивной терапии будут преобладающим ежедневным источником текста после дня поступления. Записки о выписке в основном возникали> 96 часов после поступления (не показано).Рисунок 2. Распределение типов отчетов за первые 96 часов посещения больницы. 3.2 Представление пациентов Представление информации, доступной в отчетах с произвольным текстом, является наиболее важным шагом в выявлении пациентов с пневмонией. В нашем представлении мы создали один вектор признаков для каждого пациента. Было два измерения для экспериментов: (1) поиск наилучшей комбинации отчетов для включения при создании векторов признаков и (2) тестирование различных подходов к текстовому представлению для достижения наилучшей производительности классификации КОМБИНАЦИЯ ОТЧЕТОВ Как отмечалось выше, наличие / отсутствие пневмония вручную аннотировалась на уровне пациента, без определения того, какой отчет (-ы) способствовал определению фенотипа.Чтобы понять, как содержание различных типов отчетов способствует автоматическому принятию решений, мы протестировали различные комбинации типов отчетов. Поскольку аннотации к пневмонии в этом наборе данных соответствуют пневмонии, присутствующей в течение первых 48 часов после поступления в ОИТ, мы ожидаем, что примечания к госпитализации будут особенно информативными. Ожидается, что резюме выписки будут информативными, поскольку они содержат синтез многочисленных диагностических исследований и оценок, проведенных на протяжении всего курса лечения в больнице; тем не менее, они могут привести к ложноположительным результатам из-за пневмонии, которая произошла позже в ходе госпитализации.Были протестированы следующие комбинации: 1. Only Admit Note: Вектор пациента был создан только из содержания допущенных записей пациента. 2. Только сводка выписки: вектор пациента был создан только из содержимого сводки выписки. 3. Только запись о поступлении и сводка выписки: вектор пациента был создан на основе содержимого примечания о приеме и выписки. Признаки из допуска были отделены от характеристик из

4 выписок с метками, указывающими их источник.Характеристики, извлеченные из заметок о допуске и резюме выписки, имели форматы меток AdmitNote_ $ featureType_ $ featureName и DischargeSummary_ $ featureType $ featureName. 4. Объединение всех отчетов: Вектор пациентов был создан из всех типов отчетов, перечисленных в таблице 2, которые были объединены в один документ. Все функции в векторе пациента имели одинаковый формат меток MergedNotes_ $ featureType_ $ featureName. Еще одна важная характеристика нашего набора данных - это наличие отметки времени при создании каждого типа отчета, а также отметки времени госпитализации и выписки.У большинства пациентов была серия ежедневных заметок о прогрессе в отделении интенсивной терапии и ежедневных заметок о ходе оказания неотложной помощи. Кроме того, в записях о переводе и стационарных записях из других отделений (например, в отчетах о кардиологических стационарах) описывается состояние пациента на момент создания отчета. Вычислив разницу между отметками времени поступления пациента в больницу и отметками времени создания отчетов, мы вычислили относительное время, в течение которого каждый отчет создавался во время пребывания пациента в ОИТ (например, день 1, день 2), и определили следующие три альтернативные комбинации отчетов.5. Уведомление о приеме, сводка о выписке и разделение на другие дни: в этой настройке у нас есть много отдельных категорий отчетов, примечания о приеме, выписки и сбор отчетов за каждый конкретный день пребывания в отделении интенсивной терапии. Функции были помечены как AdmitNote_ $ featureType_ $ featureName, DischargeSummary_ $ featureType $ featureName и OtherNotes_ $ day_ $ featureType_ $ featureName. 6. Записка о поступлении, Сводка о выписке и другие в течение первых 72 часов после поступления в больницу: в этой настройке у нас есть 3 категории отчетов, заметка о поступлении, выписка и сбор отчетов, отметка времени которых находится в пределах первых 72 часов пребывания в больнице. прием.Эти временные рамки согласуются с нашими аннотациями, указывающими на наличие пневмонии в течение первых 48 часов пребывания в отделении интенсивной терапии, учитывая, что большинство пациентов были госпитализированы в отделение интенсивной терапии в течение 24 часов после поступления в больницу. Функции были помечены как AdmitNote_ $ featureType_ $ featureName, DischargeSummary_ $ featureType $ featureName и OtherNotesPRE72_ $ featureType_ $ featureName. 7. Уведомление о допуске, Сводка о выписке, Другие в течение первых 72 часов и Другие публикации 72 часа: в этой настройке у нас есть 4 категории отчетов, примечание о приеме, выписка, сбор отчетов, метка времени которых относится к первым 72 часам. приема, а также сбор отчетов о последующем пребывании в стационаре.Функции были помечены как AdmitNote_ $ featureType_ $ featureName, DischargeSummary_ $ featureType $ featureName, OtherNotesPRE72_ $ featureType_ $ featureName и OtherNotesPOST72_ $ featureType_ $ featureName ПРЕДСТАВЛЕНИЕ КОНТЕНТА Представление контента оказывает прямое влияние на следующие типы характеристик классификации, и мы использовали представление. ОСОБЕННОСТИ БАЗОВОЙ ИНФОРМАЦИИ Исследования по поиску информации показывают, что слова (униграммы) хорошо работают в качестве единиц представления для поиска документов (Lewis, 1992).Мы использовали юниграммы в качестве основы для наших экспериментов. Мы использовали список распространенных английских стоп-слов 2, чтобы отфильтровать стоп-слова из униграмм. ФУНКЦИИ N-ГРАММЫ Мы использовали функции биграммы и триграммы слов, чтобы уловить интересные особенности, состоящие из нескольких слов. ОСНОВНЫЕ ФУНКЦИИ, ОСНОВАННЫЕ НА ЗНАНИЯХ. Представление контента с помощью словарного подхода имеет две проблемы. Во-первых, процент словосочетаний, состоящих из нескольких слов, таких как внебольничная пневмония, в медицинском словаре очень высок. Такое большое количество фраз представляет собой проблему для классификации.Например, значение внебольничной пневмонии сильно отличается от значения только внебольничной пневмонии. Во-вторых, синонимия - очень распространенная характеристика медицинских фраз. Например, врачи используют печень и печень как синонимы даже в одних и тех же отчетах. Если не сгруппированы явно, синонимичные слова или фразы представлены в виде различных функций в векторе признаков, что имеет два основных недостатка. Первый недостаток заключается в том, что увеличение размерности пространства признаков, как известно, отрицательно сказывается на производительности классификации.Второй недостаток состоит в том, что информация теряется из-за разделения функций. Вместо того, чтобы иметь более сильную функцию, представление имеет несколько относительно более слабых функций, которые являются синонимами друг друга. Чтобы идентифицировать биомедицинские фразы, наша система использует инструмент НЛП, основанный на знаниях, для обработки каждого предложения отчета и определения конкретных терминов предметной области. В области биомедицины уже есть большая общедоступная база знаний, называемая Unified Medical Language System (UMLS) 3. В последней версии UMLS их более двух.3 миллиона биомедицинских концепций, а также более 8,5 миллионов названий концепций. Чтобы идентифицировать биомедицинские фразы, мы использовали MetaMap, инструмент, созданный NLM, который сопоставляет строки в произвольном тексте с биомедицинскими концепциями в UMLS 4. MetaMap использует UMLS для поиска наиболее близкого соответствия известной концепции каждой идентифицированной фразе в свободном тексте. Наша система отправляет каждое предложение в MetaMap и использует уникальный идентификатор (CUI) идентифицированных концепций UMLS для группировки синонимичного списка двух английских стоп-слов: ftp: // ftp.cs.cornell.edu/pub/smart/english.stop 3 Информационный бюллетень UMLS: 4 Metamap (MMTx):

5 концепций. Мы использовали идентифицированные CUI как двоичные функции в нашем представлении. Другим источником знаний, доступным в UMLS, является семантическая сеть, которая представляет собой ориентированный граф, состоящий из 135 категорий, называемых семантическими типами, и 49 различных отношений, определенных между семантическими типами. Каждое медицинское понятие в UMLS сопоставляется по крайней мере с одним семантическим типом. Например, медицинское понятие «пневмония» имеет семантический тип заболевания или синдрома, а понятие «магний» имеет два семантических типа: биологически активное вещество и элемент, ион или изотоп.Мы использовали семантические типы извлеченных понятий UMLS из медицинских карт для представления содержимого медицинских карт. 3.3 Классификатор пневмонии После представления содержимого доступных отчетов с базовыми данными, n-граммом и функциями, основанными на знаниях, мы обучили классификаторов идентифицировать пациентов с пневмонией в течение первых 48 часов пребывания в ОИТ. Для нашей задачи классификации мы выбрали алгоритм максимальной энтропии (MaxEnt) из-за его хорошей производительности в задачах классификации текста (Nigam et al., 1999). В наших экспериментах мы использовали реализацию MaxEnt в пакете машинного обучения под названием Mallet Results. В наших экспериментах мы использовали аннотации пневмонии на уровне пациента, описанные в разделе 3.1. как золотой стандарт для обучения классификаторов и проверки их работоспособности. 4.1. Показатели. Мы оценили эффективность классификации, используя показатели точности, отзыва, F1, специфичности (доля правильно идентифицированных негативов) и точности. Поскольку в нашем наборе данных было ограниченное количество положительных случаев, мы решили использовать 5-кратную перекрестную проверку для измерения общей эффективности классификации.4.2 Эффективность классификации Мы измерили эффективность классификации MaxEnt для различных типов комбинаций отчетов и типов функций, описанных в предыдущем разделе КОМБИНАЦИЯ ОТЧЕТОВ Чтобы понять влияние различных типов отчетов на эффективность классификации, мы сравнили различные комбинации отчетов, описанные в разделе 3.2. 1, используя только базовые характеристики униграммы. Таблица 3 включает значения производительности для случаев, когда векторы пациентов были сгенерированы (1) только из записей о приеме, (2) только из сводок выписки, (3) только из заметок о приеме и 5 Молоток: сводки по выписке, и (4) все отчеты объединены без различения типа отчета.Мы провели эти эксперименты для 236 пациентов, у которых были как записи о поступлении, так и выписки (44 случая с положительным результатом на пневмонию и 192 случая с отрицательным результатом на пневмонию). Мы представили содержание отчетов с базовыми функциями юниграммы. Как видно из Таблицы 3, эффективность классификатора, обученного только по выписке, выше, чем у классификатора, обученного только по выписке. Однако мы видим, что наивысшая производительность наблюдается у классификатора, обученного для всех отчетов без различения типа отчета.В нашем втором сравнении мы исследовали эффект введения информации о временной метке отчета в представление функции. Мы провели этот эксперимент с использованием всех 426 пациентов в нашем наборе данных. Мы сравнили (1) все отчеты, объединенные без различия типа отчета, (2) записку о приеме, сводку о выписке и другие, разделенные днями, (3) записку о приеме, сводку о выписке и другие в течение первых 72 часов после госпитализации и (4) записка о приеме, выписка из выписки, другие в течение первых 72 часов и другие публикуют 72 часа.В таблице 4 приведены значения производительности. Как видно из таблицы, мы получаем самые низкие показатели F1 с (3) отметкой о приеме, выпиской и другими в течение первых 72 часов после поступления в больницу. Добавление отчетов за 72 часа (4) снижает точность, но увеличивает запоминаемость из-за увеличения количества ложных срабатываний, как и ожидалось. Включение всех отчетов, разделенных по дням (2), увеличивает точность и отзывчивость по сравнению с (3) и (4). Однако наилучшие результаты производительности наблюдаются при объединении всех типов заметок (1) ПРЕДСТАВЛЕНИЕ СОДЕРЖИМОГО Для определения эффекта различных типов функций, описанных в Разделе 3.2.2 мы провели различные эксперименты с различными комбинациями функций. Как видно из Таблицы 5, добавление биграмм (2) и триграмм (3) к униграммам (1) не влияет на точность, но снижает полноту. Хотя размер пространства признаков с концепциями UMLS намного меньше, чем у униграмм (таблица 6), концепции UMLS (4) и униграммы (1) работают одинаково как с точки зрения отзыва, так и точности. Когда объединяются концепции UMLS и униграммы (6), существенного изменения производительности не происходит.Когда семантические типы добавляются к концепциям UMLS (5), отзыв остается прежним, но точность уменьшается. Наилучшая точность достигается, когда униграммы объединяются с концепциями UMLS (6), а наилучший отзыв достигается, когда объединяются униграммы, концепции UMLS и семантические типы (7). Таблица 7 включает 25 лучших ранжированных функций из различных типов функций и их комбинаций. Как видно из таблицы, многие признаки, идентифицированные классификатором, тесно связаны с известными причинами (например,грамм. грипп) и клинические признаки и симптомы (например, кашель, мокрота) пневмонии, перечисленные в таблице 1. Кроме того, лекарства, включая антибиотики, обычно используемые для лечения

6 Таблица 3. Оценка эффективности различных комбинаций отчетов на основе типа отчета с исходным уровнем функции uni-gram. Эксперименты проводились на 236 пациентах как с записями о поступлении, так и с выпиской. TP: истинно положительный, TN: истинно отрицательный, FP: ложноположительный, FN: ложноотрицательный, PRE: точность, REC: отзыв, F1: F1-Score, SPE: специфичность, ACC: точность.Полужирным шрифтом выделено наименьшее значение для FP и FN. Наибольшее значение для остальных столбцов выделено жирным шрифтом. КОМБИНАЦИЯ ОТЧЕТОВ TP TN FP FN PRE REC F1 SPE ACC (1) ДОПУСКАТЬ ТОЛЬКО ПРИМЕЧАНИЕ (2) ТОЛЬКО ЗАПИСЬ РАЗРЯДА (3) ТОЛЬКО ЗАПИСЬ ДОПУСКА + РАЗРЯД (4) ВСЕ ТИПЫ ЗАПИСЕЙ ОБЪЕДИНЕНЫ Таблица 4. Оценка эффективности различных комбинаций отчетов на основе временных меток с базовыми функциями uni-gram. Эксперименты проведены на всех 426 пациентах. TP: истинно положительный, TN: истинно отрицательный, FP: ложноположительный, FN: ложноотрицательный, PRE: точность, REC: отзыв, F1: F1-Score, SPE: специфичность, ACC: точность.Полужирным шрифтом выделено наименьшее значение для FP и FN. Наибольшее значение для остальных столбцов выделено жирным шрифтом. КОМБИНАЦИЯ ОТЧЕТОВ TP TN FP FN PRE REC F1 SPE ACC (1) ОБЪЕДИНЕНИЕ ВСЕХ ТИПОВ ЗАПИСЕЙ (2) ДОПУСК + ЗАПИСЬ РАЗРЯДА + ДРУГИЕ ДЕНЬ РАЗДЕЛЕННЫЕ (3) ДОПУСК + ЗАПИСЬ НА РАЗРЯД + ДРУГИЕ ПРЕДВАРИТЕЛЬНЫЕ 72 ЧАСА (4) ДОПУСК + ЗАПИСЬ РАЗРЯДА + ДРУГИЕ ДО 72 ЧАСА ДРУГИЕ ПОСЛЕ 72 ЧАСА Таблица 5. Оценка производительности различных комбинаций функций со всеми типами банкнот вместе взятых. Эксперименты проведены на всех 426 пациентах. TP: истинно положительный, TN: истинно отрицательный, FP: ложноположительный, FN: ложноотрицательный, PRE: точность, REC: отзыв, F1: F1 - оценка, SPE: специфичность, ACC: точность.Полужирным шрифтом выделено наименьшее значение для FP и FN. Наибольшее значение для остальных столбцов выделено жирным шрифтом. ПРЕДСТАВЛЕНИЕ СОДЕРЖАНИЯ TP TN FP FN PRE REC F1 SPE ACC (1) UNIGRAMS (2) UNI + BIGRAMS (3) UNI + BI + TRIGRAMS (4) UMLS CONCEPTS (5) UMLS CONCEPTS + SEMANTIC TYPES (6) UNI-GRAMS + UMLS КОНЦЕПЦИИ (7) UNI -ГРАММЫ + КОНЦЕПЦИИ UMLS + СЕМАНТИЧЕСКИЕ ТИПЫ (8) UNI + BI + ТРИГРАММЫ + КОНЦЕПЦИИ UMLS + СЕМАНТИЧЕСКИЕ ТИПЫ пневмония (например, левофлоксацин, ванкомицин) были включены в число наиболее прогностических признаков, идентифицированных классификатором.Интересно, что были также включены несколько характеристик, связанных с изменением уровня бдительности (например, аноксия, энцефалопатия и AMS [сокращение от измененного психического статуса]). Хотя эти термины не имеют прямого отношения к диагностическим критериям пневмонии, они вполне могут указывать на скрытые факторы риска пневмонии, связанные с пониженным уровнем сознания и сниженной способностью защищать дыхательные пути от заражения из верхних дыхательных путей. Таблица 6. Размеры набора характеристик (все типы заметок объединены) для 426 пациентов.ТИП ФУНКЦИИ № ОТЛИЧИТЕЛЬНЫХ ФУНКЦИЙ UNIGRAM BIGRAMS TRIGRAMS UMLS КОНЦЕПЦИИ UMLS СЕМАНТИЧЕСКИЕ ТИПЫ 125

7 4.3 Анализ ошибок Наша лучшая система достигла показателя F1 49,1% для набора данных с 426 пациентами. Хотя результат обнадеживает, есть еще много возможностей для улучшения. Два основных фактора способствуют ошибкам, совершаемым нашей текущей системой: ограничения набора данных и дизайн системы. У нашего текущего набора данных есть несколько важных ограничений.Во-первых, это не полный набор отчетов для всех пациентов (например, любые записи, введенные до дня поступления в ОИТ, не были записаны). В нашем наборе данных 146 (35% = 146/426) пациентов не имели регистрационных записей, 76 (18% = 76/426) пациентов не имели выписок, а 77 (18% = 77/426) пациентов не имели любые отчеты, созданные в первые 24 часа пребывания в больнице. Во-вторых, аннотация пневмонии в этом наборе данных была создана для другой цели, где аннотатора (медицинского эксперта) попросили определить, есть ли у пациента пневмония в течение 48 часов после поступления в отделение интенсивной терапии.Напротив, наша система использовала записи в течение 72 часов после поступления в больницу в качестве прокси для этого периода. Следовательно, существует потенциальное несоответствие между аннотацией и нашей задачей для меньшинства случаев, в которых разрыв между госпитализацией и поступлением в реанимацию превышал 24 часа. В-третьих, набор данных относительно невелик, с ограниченным числом положительных случаев пневмонии. Другой источник системных ошибок связан с ограничениями нашей текущей системы, которая полагается на функции, доступные при неглубокой обработке текста.Обнаружение фенотипа, такого как пневмония, часто требует более глубокого понимания отчетов. Например, как показано в Таблице 7, слово unigram pneumonia (сокращенно PNA) или соответствующая ему концепция UMLS является сильным признаком, указывающим на то, что у пациента есть PNA. Но есть много контекстов, где наличие слова PNA не означает, что у пациента есть PNA в течение 48 часов после поступления в отделение интенсивной терапии. Некоторые примеры включают явное или неявное отрицание (результаты лабораторных исследований несовместимы с PNA; PNA исключены), прошлый анамнез (у него была PNA два года назад), семейный анамнез (у его отца было PNA), возможность (Пункты действия: PNA или грипп ), Появление PNA в отчетах после 48-часового окна и т. Д.Таблица 7. 25 лучших функций для моделей MaxEnt с различными типами функций и комбинациями. RANK UNIGRAM UNI-BI-TRIGRAMS UMLS КОНЦЕПЦИИ UNI-BI-TRIGRAMS + UMLS CONCEPTS + СЕМАНТИЧЕСКИЕ ТИПЫ 1 пневмония пневмония (uni) C Пневмония C Лабораторная культура 2 мокроты мокрота (uni) C Лабораторная культура T074-Медицинское устройство 3 аспирационная аспирация (uni) C h2N1 C Пневмония 4 cx influenza (uni) C Рабдомиолиз T031 - Вещество тела 5 грипп продолжается (uni) C Грипп C Эндоваскулярный 6-дневный день (uni) C Требуется T184-Признак и симптом 7 продолжаются периректально (uni) C Мокрота C h2N1 8 периректальный кашель (uni) C Аспирационная пневмония T116-Аминокислота, пептид или белок 9 осельтамивир от кашля (uni) C Вероятный диагноз T083- Географическая зона 10 ddavp mg_po (bi) C Вакцинальная пневмония против вируса гриппа (uni) 11 лизиноприл лизиноприл (bi) C Трахеомаляция C стент 12 gpc aspiration_pneumonia (bi) C Гепарин T028 - Ген или геном 13 левофлоксацин метопролол (uni) C Положение лежа на спине продолжение (uni) 14 шунтирование (uni) C Азия T195-Антибиотик 15 метронидазол gpc (uni) C Пробуждение T055 - Индивидуальное поведение 16 нужна трубка (уни) C Пептидные нуклеиновые кислоты T197 - Inorganic Chemical 17 аноксическая питательная трубка (bi) C изменяющая T129 - Иммунологический фактор 18 перорально ddavp (uni) C lasix аспирация (uni) 19 вода требуется (uni) C по мере необходимости T185-Classification 20 пор, требующих ванкомицин (uni) ) C Периректально C Мокрота 21 ams левофлоксацин (uni) C Острый T022-Система организма 22 метопролол шунт (uni) C Жидкости организма C Требуется 23 энцефалопатия, аноксическая (uni) C Терапевтическая процедура C Периректальная 24 энцефалопатия ванкомицина (uni) C Боль в животе C Тахипноэ 25 cmt по мере необходимости для (tri) C Acute T114-Nucleic Acid, Nucleoside или Nucleotide

8 Еще одна проблема заключается в том, что иногда в отчетах ICU упоминаются симптомы, связанные с PNA, или результаты лабораторных анализов без явного указания на то, что у пациента была PNA, поэтому он важно для нашей системы, чтобы идентифицировать эти симптомы и результаты лабораторных исследований.Однако результаты лабораторных исследований и другие структурированные данные (например, температура, артериальное давление) часто не включаются в текстовый отчет интенсивной терапии. Хотя целью текущего исследования было изучить текстовые отчеты с использованием методов НЛП и машинного обучения, наша конечная цель - объединить эти заметки с информативными структурированными данными и радиологическими отчетами. Мы предполагаем, что этот комбинированный подход будет лучше, чем использование только текстовых отчетов или структурированных данных. 5. Заключение В этой статье мы описали подход к обработке текста для выявления случаев пневмонии на основе информации, доступной в восьми различных типах отчетов, созданных в отделении интенсивной терапии.Мы протестировали различные комбинации отчетов и типы функций, чтобы повысить производительность наших инструментов. В этой статье мы представили наши предварительные результаты. Хотя наш набор данных имел значительные ограничения, результаты обнадеживают. Наш лучший классификатор на основе F1 дал точность 58,3%, отзывчивость 42,4%, F1 49,1%, специфичность 94,4% и точность 86,4%. В дальнейшей работе мы сосредоточимся на следующих областях. Сначала мы создадим новый набор данных с аннотациями фенотипа как на уровне пациента, так и на уровне отчета.Во-вторых, мы расширим существующую систему, включив в нее функции, созданные в результате более глубокой обработки отчетов с произвольным текстом, для обнаружения такой информации, как объем отрицания и результаты лабораторных испытаний. В-третьих, мы объединим НЛП-обработку радиологических отчетов и элементов структурированных данных (например, количество лейкоцитов, температуру), доступных в EMR, с информацией, извлеченной из отчетов в произвольном виде, чтобы улучшить классификацию пневмонии. 6. Благодарности. Это исследование было частично поддержано P50 HL073996, RC2 HL101779 и Microsoft Research Connections.Ссылки Aronsky D, Fiszman M, Chapman WW, Haug PJ. Комбинирование методологий поддержки принятия решений для диагностики пневмонии. Proc AMIA Symp, стр., Chapman WW, Haug PJ. Сравнение экспертных систем для выявления отчетов о рентгеновских снимках грудной клетки, подтверждающих пневмонию. Proc AMIA Symp, стр., Чепмен В.В., Фисман М., Чепмен Б.Е., Хауг П.Дж. Сравнение алгоритмов классификации для автоматического определения отчетов о рентгенограммах грудной клетки, подтверждающих пневмонию. Журнал биомедицинской информатики, 34: 4-14, Demner-Fushman D, Chapman WW, McDonald C.Что может сделать обработка естественного языка для поддержки принятия клинических решений? Журнал биомедицинской информатики; 42 (5):, Элкин П.Л., Фрёлинг Д., Ванер-Рёдлер Д., Труско Б., Валлийский Г., Ма Х., Асатрян А.Х., Токарс Д.И., Розенблум С.Т., Браун Ш. Выявление случаев пневмонии на основе НЛП по радиологическим отчетам с произвольным текстом. Proc AMIA Symp, стр., Fiszman M, Chapman WW, Evans SR, Haug PJ. Автоматическое определение концепций, связанных с пневмонией, в отчетах о рентгенографии грудной клетки. Proc AMIA Symp. pp, Fiszman M, Chapman WW, Aronsky D, Evans RS, Haug PJ.Автоматическое обнаружение острой бактериальной пневмонии по данным рентгенографии грудной клетки. Журнал Американской ассоциации медицинской информатики, 7 (6):, Glavan BJ, Holden TD, Goss CH, et al. Генетическая изменчивость гена FAS и ассоциации с острым повреждением легких. Am. J. Respir. Крит. Care Med, 183 (3):, Haas JP, Mendonca EA, Ross B, Friedman C, Larson E. Использование компьютеризированного наблюдения для выявления нозокомиальной пневмонии у пациентов отделений интенсивной терапии новорожденных. Am J Infect Control, 33 (8):, Hripcsak G, Friedman C, Alderson PO, DuMouchel W., Johnson SB и Clayton PD.Получение клинических данных из описательных отчетов: исследование обработки естественного языка. Ann Intern Med, 122: p, Lewis DD. Оценка фразовых и кластерных представлений в задаче категоризации текста. Proc. 15-й ежегодной международной конференции ACM SIGIR по исследованиям и разработкам в области информационного поиска. pp Lutfiyya MN, Henley E, Chang LF, Reyburn SW. Диагностика и лечение внебольничной пневмонии. Am Fam Physician, 73 (3):, Mandell LA, Wunderink RG, Anzueto A, Bartlett JG, Campbell GD, Dean NC, Dowell SF, File TM Jr, Musher DM, Niederman MS, Torres A, Whitney CG.Общество инфекционных болезней Америки / Американское торакальное общество согласовали руководящие принципы лечения внебольничной пневмонии у взрослых. Clin Infect Dis., 44 Suppl 2: S27-72, Mendonca EA, Haas J, Shagina L, Larson E, Friedman C. Извлечение информации о пневмонии у младенцев с использованием обработки радиологических отчетов на естественном языке. Журнал биомедицинской информатики, 38 (4): 314: 321, Нигам К., Лафферти Дж., Маккаллум А. Использование максимальной энтропии для классификации текста. Proc. IJCAI-99 Workshop on Machine Learning for Information Filtering, pp, 1999.

.

Смотрите также