MIMIC-III数据库中患者吸烟状态信息的提取方法
背景介绍
MIMIC-III(Massachusetts Institute of Technology Critical Care Database)是一个大型的、公开的重症监护数据库,包含了超过4万名患者的临床数据。在临床研究中,患者的吸烟状态是一个重要的基线特征,与多种疾病的发展和预后密切相关。然而,在MIMIC-III数据库中,吸烟状态信息并非以结构化数据形式存储,而是隐藏在临床文本记录中。
数据来源分析
在MIMIC-III数据库中,患者的吸烟状态信息主要存在于出院小结(discharge summaries)的"社会史"(social history)部分。这些文本记录存储在mimiciii_notes.noteevents
表中,而不是结构化的临床数据表中。因此,我们需要通过文本挖掘技术从非结构化文本中提取相关信息。
文本提取技术方案
正则表达式匹配方法
从临床文本中提取吸烟状态信息,最有效的方法是使用正则表达式匹配。根据临床文档的书写习惯,我们可以设计匹配模式来识别以下几种吸烟状态描述:
- 从不吸烟:匹配"never"、"not"、"no"、"denies"等否定词与"smoke"、"tobacco"等关键词的组合
- 既往吸烟:匹配"former"、"previous"、"past"等表示过去时间的词与吸烟相关词的组合
- 当前吸烟:匹配"current"、"active"、"smokes"等表示当前状态的词
BigQuery实现示例
在Google BigQuery平台上,可以使用REGEXP_CONTAINS
函数实现上述匹配逻辑。例如,识别"从不吸烟"患者的查询可以这样编写:
SELECT
subject_id,
hadm_id,
CASE
WHEN REGEXP_CONTAINS(text, r'(never|not|no|denies)[\s-]?(smoke|smoking|tobacco)')
THEN 'never'
WHEN REGEXP_CONTAINS(text, r'(former|previous|past)[\s-]?(smoke|smoking|tobacco)')
THEN 'former'
WHEN REGEXP_CONTAINS(text, r'(current|active|smokes)[\s-]?(smoke|smoking|tobacco)')
THEN 'current'
ELSE 'unknown'
END AS smoking_status
FROM
`physionet-data.mimiciii_notes.noteevents`
WHERE
category = 'Discharge summary'
技术要点与注意事项
-
文本预处理:临床文本中可能存在拼写错误(如"smoking"拼写为"smoking"),正则表达式应考虑这些变体。
-
否定词处理:需要全面考虑各种否定表达方式,包括"no history of"、"denies any"等临床常用短语。
-
性能优化:在大规模数据集上执行文本匹配可能较耗时,建议先筛选出出院小结(category = 'Discharge summary')再进行匹配。
-
结果验证:自动提取的结果应进行人工抽样验证,评估准确率和召回率。
应用价值
通过这种方法提取的吸烟状态信息可以用于:
- 临床研究中的混杂因素控制
- 疾病风险分层
- 预后分析
- 流行病学研究
这种方法不仅适用于吸烟状态提取,也可推广到其他类似的临床文本信息提取任务中,如饮酒史、药物过敏史等。
总结
在MIMIC-III这类临床数据库中,许多重要信息以非结构化文本形式存在。通过合理的文本挖掘技术,我们可以将这些信息转化为结构化数据,极大拓展数据库的研究价值。本文介绍的正则表达式匹配方法是一种简单有效的手段,特别适合处理临床文档中规律性较强的信息提取任务。
HunyuanImage-3.0
HunyuanImage-3.0 统一多模态理解与生成,基于自回归框架,实现文本生成图像,性能媲美或超越领先闭源模型00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++043Hunyuan3D-Part
腾讯混元3D-Part00GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~0286Hunyuan3D-Omni
腾讯混元3D-Omni:3D版ControlNet突破多模态控制,实现高精度3D资产生成00Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile09
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选









