Detección de errores de síntomas en la traducción automática de la información de salud del paciente sobre trastornos depresivos

  • Autor(es): Xie, Ji, Zhao, Zhou…(et.al)
  • Título original: Detecting Symptom Errors in Neural Machine Translation of Patient Health Information on Depressive Disorders: Developing Interpretable Bayesian Machine Learning Classifiers
  • Fuente: Frontiers in Psychaitry
RESUMEN

Debido a su conveniencia, amplia disponibilidad, bajo costo de uso, la traducción automática neuronal (NMT) tiene cada vez más aplicaciones en diversos entornos clínicos y el autodiagnóstico de enfermedades basado en la web. Dada la naturaleza en desarrollo de las herramientas de NMT, esto puede plantear riesgos de seguridad para las comunidades multiculturales con habilidades bilingües limitadas, poca educación y poca alfabetización en salud. Se necesita investigación para analizar la confiabilidad, credibilidad y usabilidad de la información de salud del paciente traducida automáticamente.

Nuestro objetivo era desarrollar clasificadores de aprendizaje automático bayesianos de alto rendimiento para ayudar a los profesionales clínicos y los trabajadores de la salud a evaluar la calidad y usabilidad de la NMT en los trastornos depresivos. La herramienta no requirió ningún conocimiento previo por parte de los profesionales médicos y de la salud de primera línea del idioma de destino utilizado por los pacientes.

Utilizamos Relevance Vector Machine (RVM) para aumentar la generalizabilidad y la interpretabilidad clínica de los clasificadores. Es un clasificador bayesiano escaso típico menos propenso a sobreajustarse con pequeños conjuntos de datos de entrenamiento. Optimizamos RVM aprovechando la eliminación automática de características recursivas y el refinamiento de características de expertos desde la perspectiva de la lingüística de la salud. Evaluamos la utilidad diagnóstica del clasificador bayesiano bajo diferentes puntos de corte de probabilidad en términos de sensibilidadespecificidad, cocientes de probabilidad positiva y negativa frente a los umbrales clínicos para las pruebas de diagnóstico. Finalmente, ilustramos la interpretación de la herramienta RVM en la clínica utilizando el nomograma de Bayes.

Después de la optimización de funciones automática y basada en expertos, el clasificador RVM de mejor rendimiento (RVM_DUFS12) obtuvo el AUC más alto (0, 8872) entre 52 modelos de la competencia con distintos conjuntos de funciones normalizadas optimizadas. También tuvo una sensibilidad y especificidad estadísticamente más altas en comparación con otros modelos.

Para acceder al texto completo consulte las características de suscripción de la fuente original:https://www.frontiersin.org/

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *