ICU再入院和出院后死亡给医疗机构带来了重大挑战。之前的研究使用了电子健康记录（EHR）和机器学习模型，但主要集中在结构化数据上。护理记录包含关键的非结构化信息，但对其利用具有挑战性。自然语言处理（NLP）可以从临床文本中提取结构化特征。研究人员提出关键护理描述提取（CNDE）的技术，从冗长的护理记录中提取基本内容。并开发一种感知护理记录的深度神经网络（NurnaNet），结合生物医学预训练模型（BioClinicalBERT），分析MIMIC III数据库中的电子健康记录，预测ICU患者出院后的死亡率，并有效识别意外再入院的高危患者，相关研究成果发表在International Journal of Nursing Studies杂志上。

这项回顾性队列研究使用MIMIC III数据库中的电子健康记录，该数据库包含2001~2012年美国重症患者的数据，内容有患者基本信息、入院出院情况、住院期间护理记录等，重点分析患者在出院后6个月和2年内的死亡风险。研究使用MIMIC数据集的入院时间和出生日期信息来计算患者的年龄，排除18岁以下或89岁以上的患者以及在医院死亡的患者。共分析了16973份来自患者ICU住院期间的护理记录。

结果显示，NurnaNet对于ICU出院患者的6个月和2年死亡率预测实现了良好的F₁评分（0.67030，0.70874）。TextCNN和BioClinicalBERT等其他模型也表现出良好的性能，F₁评分分别为0.68432和0.69790。这些发现强调了NurnaNet在预测短期和长期死亡风险方面的一致性和平衡能力，在临床环境中对出院后患者死亡风险评估的潜在效用。与仅使用BioClinicalBERT相比，NurnaNet对6个月和2年内的死亡预测性能分别提高了2.05％和1.08％。

在6个月死亡率的预测中，将CNDE添加到BioClinicalBERT中，模型性能提高了约2.05%（从0.64709提高到0.66840），在2年死亡率的预测中，模型性能提高了大约1.08%（从0.69790到0.70874），表明CNDE有助于保留重要语句，确保语句完整性，维护上下文关系，有助于提高模型训练过程中的性能。

结果表明，CNDE可有效减少长篇记录并提取关键内容。NurnaNet在分析护理记录数据方面具有较高的F₁评分，这有助于识别患者出院后死亡风险，并尽快调整相关治疗的常规随访和治疗计划。

原文出处：

Yong-Zhen Huang, Yan-Ming Chen, et al, A nursing note-aware deep neural network for predicting mortality risk after hospital discharge, International Journal of Nursing Studies, 2024, https://doi.org/10.1016/j.ijnurstu.2024.104797.