跳到正文
原文
npj Parkinson's Disease· Joaquin A. Vizcarra, Kevin Xie, Megan Super 等 11 人

帕金森病的纵向跌倒模式:2811 名患者的自动化叙事提取

Longitudinal fall patterns in Parkinson’s disease: automated narrative extraction in 2811 patients

AI 导读

基于大语言模型的流程从 2811 名帕金森病患者的门诊记录中提取跌倒情况,既往跌倒可预测下次就诊跌倒。

摘要 · AI 翻译

帕金森病(PD)的跌倒易感性通过运动与非运动特征的纵向累积而演变,这些特征常规记录于临床叙述中,但在大规模结构化电子健康记录分析中无法获取。我们创建了一个可复用的帕金森病结局研究平台,采用基于少样本大语言模型的流程,能够从门诊神经科文档中提取跌倒发生、近期跌倒频率以及九个预先设定的风险修饰域。该流程在2557份记录中对照专家共识进行了验证,并应用于一家三级运动障碍中心2811名患者的25,758份记录(2012–2025年)。最终模型的一致性密切接近专家评分者间一致性,跌倒发生(κ = 0.841 vs 0.891)和近期跌倒频率(κ = 0.889 vs 0.892),而若干风险修饰域达到与人类标注者相当或更高的一致性。随后我们使用滞后广义估计方程模型检验NLP衍生的跌倒状态和风险修饰域是否预测后续就诊时的跌倒发生。既往跌倒(OR, 3.23; 95% CI, 2.89–3.61)、运动进展(OR, 1.22; 95% CI, 1.11–1.34)和运动并发症(OR, 1.13; 95% CI, 1.03–1.23)独立预测了下次就诊的跌倒。本研究为帕金森病跌倒易感性的叙述性表型分析建立了一个可扩展的框架。

中文由 AI 翻译,仅供参考,以原文为准。

来源:npj Parkinson's Disease · nature.com

相关事件

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。