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：

1. 从不吸烟：匹配"never"、"not"、"no"、"denies"等否定词与"smoke"、"tobacco"等关键词的组合
2. 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
3. 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

1. 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。

2. 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。

3. 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。

4. 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。