Validation of a Natural Language Processing-Assisted Chart Review Method for Identifying Advance Care Planning Documentation in Pediatric Critical Illness.
پخش حرفهای فارسی و انگلیسی
در حال بررسی نسخههای صوتی ذخیرهشده…
تنظیم صدای طبیعی و سرعت
صداهایی که در نامشان «Natural»، «Neural» یا «Online» دیده میشود معمولاً طبیعیترند. انتخاب صدا به صداهای نصبشده در ویندوز و مرورگر شما بستگی دارد.
چکیده اصلی
OBJECTIVES: Reliable measurement of advance care planning (ACP) is essential for evaluating both communication practices and quality of care in pediatric critical illness. However, most ACP documentation is embedded in free-text clinical notes and cannot be captured using administrative data, while manual chart review is time-intensive and difficult to scale. We sought to validate a rule-based natural language processing (NLP) approach to identify ACP documentation in the electronic health record (EHR) compared with manual chart review. DESIGN: Retrospective cohort study. SETTING: Single-center, quaternary PICU. PATIENTS: Children younger than 21 years admitted to the PICU for greater than 24 hours following out-of-hospital cardiac arrest (OHCA) from 2012 to 2024. INTERVENTIONS: None. MEASUREMENTS AND MAIN RESULTS: A rule-based NLP approach incorporating semi-automated chart review was developed through iterative refinement of previously validated keyword libraries to identify ACP documentation across prespecified domains in the EHR. In the validation cohort (n = 95), NLP-assisted chart review showed complete agreement with manual chart review (F1 = 1.0) while substantially reducing abstraction time, enabling analysis of over 31,479 clinical notes in 3 days compared with 6 months for manual review of 43,179 notes. Among 125 children with OHCA, 65% had documented ACP discussions (n = 81). Goals-of-care conversations were most common (99%), followed by limitations of life-sustaining treatment (78%), subspecialty palliative care involvement (28%), preferred location of death (9%), and hospice discussions (7%). CONCLUSIONS: NLP-assisted chart review can efficiently and accurately identify ACP documentation in pediatric critical illness for retrospective research and quality improvement efforts. This semi-automated workflow substantially reduced manual abstraction burden while maintaining excellent agreement with manual chart review, enabling effective abstraction of communication processes not captured in structured data.
نتیجه فارسی
این مطالعه یک روش نیمهخودکار مبتنی بر قوانین پردازش زبان طبیعی (NLP) را برای شناسایی مستندات برنامهریزی مراقبت پیشرفته (ACP) در بیماران کودک در ICU اعتبارسنجی کرد. روش NLP با بازبینی دستی همخوانی کامل داشت (F1 = 1.0) و زمان استخراج دادهها را به شدت کاهش داد.
- روش NLP با بازبینی دستی همخوانی کامل (F1 = 1.0) داشت.
- استخراج دادهها با NLP در ۳ روز نسبت به ۶ ماه برای بازبینی دستی انجام شد.
- در میان کودکان با توقف قلب، ۶۵٪ دارای مذاکرات ACP بودند.
- مذاکرات اهداف مراقبتی شایعترین نوع بود (۹۹٪).
ترجمه فارسی چکیده
هدف: اندازهگیری قابل اعتماد برنامهریزی مراقبت پیشرفته (ACP) برای ارزیابی شیوههای ارتباطی و کیفیت مراقبت در بیماریهای حاد کودکان ضروری است. روش: مطالعه کوهورت بازگشتی. مکان: یک مرکز چهارم در ICU کودکان. بیماران: کودکان زیر ۲۱ سال پذیرفته شده در ICU بیش از ۲۴ ساعت پس از توقف قلب در خارج از بیمارستان (OHCA) از ۲۰۱۲ تا ۲۰۲۴. نتایج: در گروه اعتبارسنجی (n = 95)، روش NLP با بازبینی دستی همخوانی کامل داشت (F1 = 1.0) و زمان استخراج را به شدت کاهش داد. در میان ۱۲۵ کودکان با OHCA، ۶۵٪ دارای مذاکرات ACP بودند. نتایج: بازبینی دستی NLP میتواند به طور کارآمد و دقیق مستندات ACP را شناسایی کند.
روش پژوهش
این مطالعه یک مطالعه کوهورت بازگشتی در یک مرکز چهارم ICU کودکان بود. روش NLP با استفاده از کتابخانههای کلیدی تکراری اصلاح شد.
محدودیتها
محدودیتها در متن گزارش نشدهاند.
نمای PICO و پیامدها
- جمعیت
- کودکان زیر ۲۱ سال پذیرفته شده در ICU بیش از ۲۴ ساعت پس از توقف قلب در خارج از بیمارستان (OHCA) از ۲۰۱۲ تا ۲۰۲۴.
- مداخله/مواجهه
- هیچ مداخلهای انجام نشد.
- مقایسه
- بازبینی دستی نمودارها.
- حجم نمونه
- گروه اعتبارسنجی (n = 95) و ۱۲۵ کودکان با OHCA.
متن کامل اصلی
برای بررسی دسترسی کتابخانهای یا خرید، رکورد اصلی را باز کنید.
رفتن به منبع اصلی