.png){kind=icon}
.png){kind=icon}
返回
Improving Data Segmentation Accuracy Through Clinician-Informed Contextual Reasoning
.png){kind=icon}
PRE
AI
DOI：10.1055/a-2880-9069.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景 当前数据分割技术的潜在局限性在于，未利用患者电子健康记录（EHRs）中可获取的相关背景信息进行分割推断。目的 探究医师在分类电子健康记录中潜在敏感健康数据（包括物质使用障碍（SUD）、行为健康及其他受保护类别）时如何应用背景推理，以及这些见解如何提升面向背景感知的数据分割工具的设计。方法 我们对24名获得认证的医师进行了半结构化访谈，这些医师审阅了构建的患者摘要，并将选定的数据项归类到预设的敏感度类别中。通过语言线索推断其置信水平，并通过专家对所提供理由的评审进行验证。我们分析了背景类型与数据类别之间的共现关系，以识别系统性的推理模式。结果 在24名医师中，19名（79%）明确使用了背景推理，利用诊断、病史和用药史来指导其分类。最常分类的项目来自用药史（38.9%）和实验室结果（36.1%）。诊断是最常见的背景参考（50%），常用于解释用药史和实验室结果。高置信度的分类与结构化数据（由临床诊断支持）相关联；低置信度则与模糊项目相关，如社会史。结论 医师在评估健康数据敏感性时常规利用背景信息——尤其是针对实验室和用药数据——而当前分割工具常忽略这一点。将临床医师提供的推理模式嵌入分割逻辑，可提高分类准确性、降低误分类风险，并增强与实际医疗实践和隐私法规的契合度。未来研究应探索不同提供者类型间的普遍性，并纳入患者视角以支持公平、面向背景的数据共享。
Keyword:
clinical information systems
general aspects
ownership of data
specific types
patient records
electronic health records and systems
clinical data management
information assurance
privacy
process management tools
knowledge management
clinical research informatics
clinical trial
consent
期刊
A
IF:
2.2
论文数:
137
被引数:
2.3K