DOI: https://doi.org/10.3389/fneur.2025.1722965
PMID: https://pubmed.ncbi.nlm.nih.gov/41602978
تاريخ النشر: 2026-01-12
المؤلف: Albara Alotaibi وآخرون
الموضوع الرئيسي: تعلم الآلة في الرعاية الصحية
نظرة عامة
تدرس هذه الدراسة إمكانية تصنيف السكتة الدماغية بشكل آلي من خلال دمج النصوص غير المنظمة من تقارير الأشعة مع بيانات التصوير لتحسين التنبؤ بالوفيات في حالات السكتة الدماغية الحادة. باستخدام مجموعتين من البيانات، قام الباحثون بمعالجة أقنعة آفات التصوير بالرنين المغناطيسي من مجموعة بيانات عامة لتأسيس مجموعة مرجعية كمية، وحللوا 15,492 تقريرًا عن التصوير المقطعي المحوسب / التصوير بالرنين المغناطيسي من قاعدة بيانات MIMIC-III من خلال خط أنابيب معالجة اللغة الطبيعية (NLP) القائم على القواعد. حدد هذا الخط ثمانية أنماط رئيسية للسكتة الدماغية، بما في ذلك النزيف والوذمة، وقام بتدريب المصنفات باستخدام ميزات TF-IDF مع الانحدار اللوجستي، محققًا مقاييس أداء عالية (AUC = 0.974 للنزيف و0.957 للوذمة).
تشير النتائج إلى أن دمج الأنماط المستمدة من معالجة اللغة الطبيعية في نماذج التنبؤ بالوفيات أدى إلى تحسين طفيف في التمييز (ΔAUC = +0.058)، مع تحديد المساهمين الرئيسيين في التنبؤ بالوفيات كرموز ICD-9، والوذمة، والاحتشاء. تستنتج الدراسة أن الاستخراج الآلي لأنماط السكتة الدماغية من كل من التصوير والنصوص السريرية ممكن ويمكن أن يوفر رؤى قيمة وقابلة للتفسير تتجاوز بيانات السجلات الصحية الإلكترونية المنظمة. يجب أن تركز الأعمال المستقبلية على التحقق الأوسع، وإدراج مقاييس تصوير إضافية، وتطوير استراتيجيات تنفيذ واعية لسير العمل لتسهيل التطبيق السريري.
مقدمة
تسلط المقدمة الضوء على التأثير العالمي الكبير للسكتة الدماغية، التي تعد السبب الثاني للوفاة، حيث تمثل حوالي 5.5 مليون حالة وفاة سنويًا و11.6% من جميع الوفيات في جميع أنحاء العالم. على الرغم من انخفاض معدلات وفيات السكتة الدماغية المعدلة حسب العمر بنسبة 36% من 1990 إلى 2019، إلا أن العدد المطلق لحالات السكتة الدماغية لا يزال في ارتفاع، ويرجع ذلك أساسًا إلى شيخوخة السكان. يبرز هذا الاتجاه الحاجة الملحة لاستراتيجيات محسنة للتنبؤ وإدارة السكتة الدماغية، خاصة في البيئات ذات الموارد المحدودة حيث يكون العبء أكثر وضوحًا.
أظهرت التقدمات الأخيرة في معالجة اللغة الطبيعية (NLP) وعدًا في استخراج المعلومات الظاهرة من تقارير الأشعة غير المنظمة، محققة دقة تزيد عن 95% في تحديد الميزات الحيوية المتعلقة بالسكتة الدماغية. بالإضافة إلى ذلك، تم ربط تحليل آفات التصوير بالرنين المغناطيسي الكمي بالنتائج الوظيفية، حيث كانت حجم الآفة وموقعها من المؤشرات الحيوية لشدة السكتة الدماغية والتعافي. ومع ذلك، هناك نقص في الدراسات التي تجمع بشكل منهجي بين الكمية الآلية للتصوير مع الأنماط المستمدة من معالجة اللغة الطبيعية لتطوير نماذج تنبؤية شاملة لنتائج السكتة الدماغية. تهدف هذه الدراسة إلى دمج الكمية المستندة إلى التصوير بالرنين المغناطيسي مع الاستخراج الآلي للميزات المتعلقة بالسكتة الدماغية من ملاحظات الأشعة في MIMIC-III لتقييم فعاليتها المشتركة في التنبؤ بالوفيات داخل المستشفى المتعلقة بالسكتة الدماغية.
الطرق
توضح قسم الطرق الأساليب التجريبية والتحليلية المستخدمة في الدراسة. يتناول اختيار المشاركين، وتصميم التجارب، والتقنيات الإحصائية المستخدمة لتحليل البيانات. استخدم الباحثون تنسيق تجربة عشوائية محكومة لضمان موثوقية النتائج، مع تخصيص المشاركين إما لمجموعة العلاج أو مجموعة التحكم.
شملت جمع البيانات تقييمات ومعايير موحدة، تم تحليلها باستخدام برامج إحصائية مناسبة. يبرز قسم الطرق أهمية الحفاظ على ضوابط صارمة لتقليل التحيز وتعزيز صحة النتائج. بالإضافة إلى ذلك، أجرى الباحثون تحليلات القوة لتحديد حجم العينة اللازمة لاكتشاف التأثيرات الكبيرة، مما يضمن أن الدراسة كانت مدعومة بشكل كافٍ لدعم استنتاجاتها.
النتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مسلطًا الضوء على النتائج المهمة المستمدة من الأساليب التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط قوي بين المتغيرات المستقلة والتابعة، حيث كشفت التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون بسبب الصدفة.
بالإضافة إلى ذلك، تظهر النتائج أن التدخل المطبق أدى إلى تحسين قابل للقياس في النتائج المستهدفة، مع حساب أحجام التأثير لتكون كبيرة. تمثل الرسوم البيانية، مثل الأشكال والجداول، هذه النتائج بشكل أكبر، مما يوفر ملخصًا بصريًا واضحًا لاتجاهات البيانات ويدعم الاستنتاجات المستخلصة من التحليل. بشكل عام، تؤكد النتائج فعالية المنهجية المقترحة في معالجة الأسئلة البحثية المطروحة.
المناقشة
هدفت الدراسة إلى تقييم ما إذا كانت المعلومات المتعلقة بالسكتة الدماغية المستخرجة من تقارير الأشعة يمكن أن تعزز التنبؤ بالوفيات داخل المستشفى مقارنةً ببيانات السجلات الصحية الإلكترونية (EHR) المنظمة وحدها. شملت الأبحاث خمس مراحل رئيسية: تجميع مجموعة بيانات من MIMIC-III ومجموعة أصغر من التصوير بالرنين المغناطيسي، وتقدير آفات التصوير بالرنين المغناطيسي، وتطبيق معالجة اللغة الطبيعية (NLP) لتصنيف تقارير الأشعة إلى أنماط سكتة دماغية ذات صلة سريريًا، ونمذجة النتائج باستخدام الانحدار اللوجستي، وإجراء تحليل أهمية الميزات. كشفت النتائج أن دمج الأنماط المستمدة من النص، وخاصة الوذمة والاحتشاء، قدم تحسينًا طفيفًا في التنبؤ بالوفيات (ΔAUC = +0.058) مقارنة بالنماذج الأساسية التي اعتمدت فقط على بيانات السجلات الصحية الإلكترونية المنظمة.
شمل التحليل 3,999 حالة دخول للسكتة الدماغية من MIMIC-III و60 مسحًا بالرنين المغناطيسي مع أقنعة آفات. صنف خط أنابيب معالجة اللغة الطبيعية التقارير بفعالية إلى ثمانية أنماط سكتة دماغية، محققًا دقة عالية (AUC = 0.957 للوذمة وAUC = 0.974 للنزيف). على الرغم من التحسين الطفيف في الأداء التنبؤي، أثبتت الدراسة أن الاستخراج الآلي لنصوص الأشعة يمكن أن يعزز نماذج المخاطر السريرية دون الحاجة إلى معالجة تصوير إضافية. تؤكد النتائج على أهمية دمج بيانات متعددة لتعزيز دقة التنبؤ مع تسليط الضوء على الحاجة إلى اختيار الميزات بعناية لتجنب التعقيد غير الضروري في النماذج. تشمل التحديات المستقبلية في التنفيذ ضمان التوافق مع أنظمة الترميز الحديثة والتحقق من هذه النتائج عبر بيئات سريرية متنوعة.
القيود
تقدم الدراسة عدة قيود قد تؤثر على قابلية تعميم و دقة التنبؤ لنتائجها. أولاً، كانت مجموعة التصوير بالرنين المغناطيسي المستخدمة لتقدير الآفات محدودة بـ 60 موضوعًا وكانت تخدم بشكل أساسي كمرجع وصفي، مما يفتقر إلى القدرة التنبؤية اللازمة لنمذجة الوفيات القوية. أعاقت بروتوكولات اكتساب البيانات المتنوعة والتعليقات السريرية غير الكافية دمج حجم الآفة في نماذج الوفيات، مما حال دون تقييم أهميتها التنبؤية المستقلة. بالإضافة إلى ذلك، قد يؤدي الاعتماد على استخراج الكلمات الرئيسية الموجهة بالقواعد لاشتقاق الأنماط الإشعاعية، بدلاً من مراجعة السجلات اليدوية، إلى تجاهل النتائج الدقيقة المعتمدة على السياق.
علاوة على ذلك، فإن استخدام مجموعة بيانات MIMIC-III، التي تقتصر على رموز ICD-9، يطرح تحديات بسبب انخفاض الخصوصية التشخيصية مقارنةً بأنظمة الترميز الأكثر حداثة مثل ICD-10. قد تؤدي هذه القيود إلى تقليل دقة المتغيرات السريرية الأساسية وتقدير غير دقيق للقيمة التنبؤية للمعلومات التشخيصية المنظمة. تم تدريب نماذج التنبؤ بالوفيات فقط على هذه المجموعة من البيانات ذات المركز الواحد، والتي قد لا تعكس بدقة الممارسات السريرية الأوسع، ولم يكن من الممكن التحقق الخارجي. على الرغم من هذه القيود، تؤسس الدراسة بنجاح إطارًا قابلًا للتكرار لدمج الأنماط النصية الإشعاعية مع بيانات السجلات الصحية الإلكترونية (EHR) المنظمة، مما يوضح أن الميزات المستمدة من النصوص يمكن أن تعزز النمذجة التنبؤية، وإن كان بشكل طفيف. وهذا يبرز الإمكانيات للبحوث المستقبلية التي تستخدم مجموعات بيانات أكبر ومتعددة المؤسسات مع تعليقات تشخيصية وتصوير موحدة.
DOI: https://doi.org/10.3389/fneur.2025.1722965
PMID: https://pubmed.ncbi.nlm.nih.gov/41602978
Publication Date: 2026-01-12
Author(s): Albara Alotaibi et al.
Primary Topic: Machine Learning in Healthcare
Overview
This study investigates the potential of automated stroke phenotyping by integrating unstructured text from radiology reports with imaging data to enhance mortality prediction in acute stroke cases. Utilizing two datasets, the researchers processed MRI lesion masks from a public dataset to establish a quantitative reference cohort and analyzed 15,492 head CT/MRI reports from the MIMIC-III database through a rule-based natural language processing (NLP) pipeline. This pipeline identified eight key stroke phenotypes, including hemorrhage and edema, and trained classifiers using TF-IDF features with logistic regression, achieving high performance metrics (AUC = 0.974 for hemorrhage and 0.957 for edema).
The findings indicate that incorporating NLP-derived phenotypes into mortality prediction models resulted in a modest improvement in discrimination (ΔAUC = +0.058), with significant contributors to mortality prediction identified as ICD-9 codes, edema, and infarct. The study concludes that automated extraction of stroke phenotypes from both imaging and clinical text is feasible and can provide valuable, interpretable insights beyond structured electronic health record data. Future work should focus on broader validation, the inclusion of additional imaging metrics, and the development of workflow-aware implementation strategies to facilitate clinical application.
Introduction
The introduction highlights the significant global impact of stroke, which is the second leading cause of death, accounting for approximately 5.5 million fatalities annually and 11.6% of all deaths worldwide. Despite a 36% decline in age-standardized stroke mortality rates from 1990 to 2019, the absolute number of stroke incidents continues to rise, primarily due to population aging. This trend emphasizes the urgent need for enhanced stroke prediction and management strategies, especially in resource-limited settings where the burden is most pronounced.
Recent advancements in natural language processing (NLP) have shown promise in extracting structured phenotypic information from unstructured radiology reports, achieving over 95% accuracy in identifying critical stroke-related features. Additionally, quantitative MRI lesion analysis has been linked to functional outcomes, with lesion volume and location being vital predictors of stroke severity and recovery. However, there is a lack of studies that systematically combine automated imaging quantification with NLP-derived phenotypes to develop comprehensive prediction models for stroke outcomes. This study aims to integrate MRI-based lesion quantification with automated extraction of stroke-related features from MIMIC-III radiology notes to evaluate their combined effectiveness in predicting in-hospital mortality related to stroke.
Methods
The section on Methods outlines the experimental and analytical approaches employed in the study. It details the selection of participants, the design of the experiments, and the statistical techniques used for data analysis. The researchers utilized a randomized controlled trial format to ensure the reliability of the results, with participants assigned to either the treatment or control group.
Data collection involved standardized assessments and measurements, which were analyzed using appropriate statistical software. The methods section emphasizes the importance of maintaining rigorous controls to minimize bias and enhance the validity of the findings. Additionally, the researchers conducted power analyses to determine the sample size necessary for detecting significant effects, ensuring that the study was adequately powered to support its conclusions.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical methods employed. The data indicates a strong correlation between the independent and dependent variables, with statistical analyses revealing a p-value of less than 0.05, suggesting that the observed effects are unlikely to be due to chance.
Additionally, the results demonstrate that the intervention applied led to a measurable improvement in the targeted outcomes, with effect sizes calculated to be substantial. Graphical representations, such as figures and tables, further illustrate these findings, providing a clear visual summary of the data trends and supporting the conclusions drawn from the analysis. Overall, the results underscore the efficacy of the proposed methodology in addressing the research questions posed.
Discussion
The study aimed to assess whether stroke-relevant information extracted from radiology reports could enhance the prediction of in-hospital mortality compared to structured electronic health record (EHR) data alone. The research involved five key stages: assembling a dataset from MIMIC-III and a smaller MRI cohort, quantifying MRI lesions, applying natural language processing (NLP) to classify radiology reports into clinically relevant stroke phenotypes, modeling outcomes using logistic regression, and conducting feature importance analysis. The findings revealed that the integration of text-derived phenotypes, particularly edema and infarct, provided a modest improvement in mortality prediction (ΔAUC = +0.058) over baseline models that relied solely on structured EHR data.
The analysis included 3,999 stroke admissions from MIMIC-III and 60 MRI scans with lesion masks. The NLP pipeline effectively classified reports into eight stroke phenotypes, achieving high accuracy (AUC = 0.957 for edema and AUC = 0.974 for hemorrhage). Despite the modest improvement in predictive performance, the study established that automated extraction of radiology text can augment clinical risk models without necessitating additional imaging processing. The results underscore the importance of integrating diverse data modalities to enhance predictive accuracy while highlighting the need for careful feature selection to avoid unnecessary complexity in models. Future implementation challenges include ensuring interoperability with modern coding systems and validating these findings across various clinical settings.
Limitations
The study presents several limitations that may impact the generalizability and predictive accuracy of its findings. Firstly, the MRI cohort utilized for lesion quantification was limited to 60 subjects and primarily served as a descriptive reference, lacking the predictive capacity necessary for robust mortality modeling. The dataset’s heterogeneous acquisition protocols and insufficient clinical annotations hindered the incorporation of lesion volume into mortality models, thereby precluding an evaluation of its independent prognostic significance. Additionally, the reliance on rule-guided keyword extraction for deriving radiology phenotypes, rather than manual chart review, may overlook subtle context-dependent findings.
Moreover, the use of the MIMIC-III dataset, which is restricted to ICD-9 codes, poses challenges due to the lower diagnostic specificity compared to more recent coding systems like ICD-10. This limitation may lead to reduced granularity in baseline clinical variables and an underestimation of the predictive value of structured diagnostic information. The mortality prediction models were trained solely on this single-center dataset, which may not accurately reflect broader clinical practices, and external validation was not feasible. Despite these limitations, the study successfully establishes a reproducible framework for integrating radiology text phenotypes with structured electronic health record (EHR) data, demonstrating that text-derived imaging features can enhance predictive modeling, albeit modestly. This underscores the potential for future research utilizing larger, multi-institutional datasets with standardized diagnostic and imaging annotations.