基於知識增強的預訓練語言模型於臨床護理記錄中之譫妄檢測

背景：譫妄是一種在住院患者中普遍觀察到的神經性精神障礙。雖然現有臨床評估工具可識別譫妄，但其實際應用在照護中經常受到時間限制、評估一致性問題及專業醫護人員不足等因素的影響。面對這些挑戰，本研究探索使用自然語言處理（NLP）技術來增強譫妄檢測的效率和準確性。
方法：本研究包含了56位參與者共31,557份護理記錄，採用了護理知識增強型預訓練語言模型（NKLM），該模型融合了基於變換器的雙向編碼器（BERT）技術，專注於從護理記錄中識別譫妄症狀。NKLM不僅結合了時間特徵，如輪班類型、週末和傳統中國節日，還整合了BERT的嵌入功能。模型的可解釋性，得益於局部可理解的模型無關解釋法（LIME），LIME可使模型注意力機制能夠被清晰地展示出在識別譫妄時的關鍵特徵。此外，研究透過卡方檢定和費雪精確檢定的統計分析，進一步探討了時間變數對譫妄檢測的影響。
結果：本研究全面評估常見自然語言處理模型，NKLM在從護理記錄中識別譫妄方面表現最佳。NKLM靈敏度達到0.9265，特異性為0.9967，以及最佳的宏觀F1分數0.9611。AUC分析確立了其優越性，NKLM達到了0.9872的AUC，接近原始BERT觀察到的最高AUC 0.9931。利用LIME進行的視覺解釋，使得護理文件中與譫妄相關的關鍵術語得以精確識別，進一步證實了模型的精準度。此外，時間相關評估凸顯了如夜班和文化節假日等影響性時間特徵，強調了它們在提升NKLM預測能力方面的重要作用。
結論：在臺灣醫療系統中應用自然語言處理於譫妄檢測被證明是有效的。NKLM模型在靈敏度和特異性方面的表現特別突出，其方法論在識別護理記錄中的譫妄關鍵詞方面表現卓越，時間相關特徵顯著增強了檢測的精確性。