中医证候智能分类研究中,由于类别不平衡和高质量人工标注样本较少,模型在学习少样本标签时能力不佳,导致整体分类效果不理想。为解决以上问题,提出了一种融合动态标签平滑策略和关系网络的中医证候分类模型(online label smoothing for...中医证候智能分类研究中,由于类别不平衡和高质量人工标注样本较少,模型在学习少样本标签时能力不佳,导致整体分类效果不理想。为解决以上问题,提出了一种融合动态标签平滑策略和关系网络的中医证候分类模型(online label smoothing for relational networks based on pre-trained language models,PLM-SNet)。该模型使用预训练语言模型对输入的病例文本进行编码,获取输入样本的特征表示;通过关系网络对样本的支持集和查询集进行特征信息的级联,获得查询集样本的相关性得分;采用动态标签监督模型的训练损失,实时更新和优化类别的软标签,从而获得最终的类别得分。在中医公开数据集TCM-SD和自建中医哮喘数据集J-SD上的实验结果表明,与最优基线模型相比,PLM-SNet将中医证候分类的Macro-F1和G-Mean分别提高了3.47、2.48、3.06和2.58个百分点,实验结果验证了该模型在类别不平衡中医证候分类任务中的科学性和有效性。展开更多
文摘目的基于疾病诊断相关分组(diagnosis-related groups,DRG)分析北京市某三级综合医院住院死亡病例情况,以期为医疗质量管理提供参考依据。方法回顾性收集北京市某三级综合医院2015年1月1日—2023年12月31日DRG入组住院患者数据,以死亡风险分级为标准进行住院死亡病例分析,重点探讨低/中低风险组死亡病例的时间分布趋势、科室来源、DRG构成等。结果该院DRG共入组住院患者927304例,住院死亡患者2346例(低、中低、中高、高死亡风险组分别为130例、209例、411例、1596例),住院总死亡率为0.25%。DRG入组病例中,低死亡风险组死亡率为0.02%(130/680939),中低死亡风险组死亡率为0.16%(209/130449),2015—2023年入组病例死亡率整体呈下降趋势(χ^(2)=104.77,P<0.001)。低/中低风险死亡病例主要来自内科重症监护病房(medical intensive care unit,MICU)和ICU(37.8%,128/339)。全部死亡病例最多的DRG组为RW29,低/中低风险死亡病例最多的DRG组为EC13(结核,手术室手术,伴并发症与合并症),居前3位的主要诊断依次为C34.101(肺上叶恶性肿瘤)、J18.903(重症肺炎)、J15.600x005(鲍曼不动杆菌性肺炎)。结论重症监护病房为该院死亡病例最多的科室,患者手术伴并发症与合并症可能是低/中低风险死亡的主要DRG相关因素。医院应予以高度重视,识别优化薄弱环节,推动死亡病例多学科讨论,以充分保障患者安全。
文摘中医证候智能分类研究中,由于类别不平衡和高质量人工标注样本较少,模型在学习少样本标签时能力不佳,导致整体分类效果不理想。为解决以上问题,提出了一种融合动态标签平滑策略和关系网络的中医证候分类模型(online label smoothing for relational networks based on pre-trained language models,PLM-SNet)。该模型使用预训练语言模型对输入的病例文本进行编码,获取输入样本的特征表示;通过关系网络对样本的支持集和查询集进行特征信息的级联,获得查询集样本的相关性得分;采用动态标签监督模型的训练损失,实时更新和优化类别的软标签,从而获得最终的类别得分。在中医公开数据集TCM-SD和自建中医哮喘数据集J-SD上的实验结果表明,与最优基线模型相比,PLM-SNet将中医证候分类的Macro-F1和G-Mean分别提高了3.47、2.48、3.06和2.58个百分点,实验结果验证了该模型在类别不平衡中医证候分类任务中的科学性和有效性。
