Geschäftskontext
Ein Krankenhaus möchte unstrukturierte Arztbriefe automatisch analysieren, um Medikamente und Dosierungen zu extrahieren. Ziel ist es, die Patientensicherheit zu erhöhen und die Datenbank für klinische Studien automatisch zu befüllen. Das CRF-Modell wurde zuvor auf medizinischen Textkorpora trainiert.
Datenaufbereitung
Erstellung einer Tabelle mit simulierten klinischen Notizen.
Kopiert!
| 1 | |
| 2 | DATA casuser.clinical_notes; |
| 3 | LENGTH text $300; |
| 4 | INFILE DATALINES delimiter='|'; |
| 5 | INPUT id text$; |
| 6 | DATALINES; |
| 7 | 1|Patient erhält 50mg Aspirin täglich.|2|Blutdruck normal. Keine weitere Medikation.|3|Verschreibung von Ibuprofen 400mg bei Bedarf.|; |
| 8 | |
| 9 | RUN; |
| 10 |
Étapes de réalisation
1
Laden der erforderlichen CRF-Modelltabellen (Simuliert) und Ausführung des Standard-Scorings.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | conditionalRandomFields.crfScore TABLE={name='clinical_notes', caslib='casuser'} model={name='med_crf_model'} casOut={name='clinical_tagged', caslib='casuser', replace=true} target='entity_tag'; |
| 4 | |
| 5 | RUN; |
| 6 | |
| 7 | QUIT; |
| 8 |
2
Überprüfung der Ausgabetabelle auf korrekte Tag-Zuweisung.
Kopiert!
| 1 | |
| 2 | PROC CAS; |
| 3 | TABLE.fetch TABLE={name='clinical_tagged', caslib='casuser'} to=5; |
| 4 | |
| 5 | RUN; |
| 6 | |
| 7 | QUIT; |
| 8 |
Erwartetes Ergebnis
Die Tabelle 'clinical_tagged' wird erfolgreich erstellt. Sie enthält die ursprüngliche 'text'-Spalte sowie die neue Spalte 'entity_tag', in der Sequenzen wie '50mg Aspirin' korrekt mit Labels (z.B. DOSAGE, DRUG) gemäß dem trainierten Modell markiert sind.