电子病历 NLP：非结构化临床文本的信息抽取

FreeGuideOnline 最新 2026-06-26

电子病历 NLP：非结构化临床文本的信息抽取

电子病历（EMR）中潜藏着海量临床洞察，但大量信息以叙述性文本形式存在——入院记录、病程日志、出院小结、影像报告等。这些非结构化文本无法直接用于统计或决策支持，自然语言处理（NLP）正是将它们转化为结构化数据的核心技术。本教程将带你系统地学习如何从临床自由文本中精准抽取关键信息，零基础也能构建自己的信息抽取流水线。

什么是电子病历中的非结构化文本？

电子病历系统既包含结构化数据（如检验数值、生命体征、给药记录），也充斥着非结构化文本。典型的非结构化临床文本包括：

  • 主诉与现病史：患者用自己的话或医生转述的症状描述、时间线、诱因。
  • 体格检查：各系统的查体发现，常含大量否定和修饰语（如“双肺未闻及干湿啰音”）。
  • 辅助检查报告：放射、病理、内镜等报告的 “影像所见” 和 “诊断意见” 段落。
  • 病程记录与出院小结：住院期间病情演变、治疗反应、出院带药等总结性描述。

这些文本富含实体（疾病、症状、药物、手术）、关系（药物-不良反应、疾病-检查）、事件（手术时间、转移复发）以及时间属性，是医疗智能化的核心原料，却因其自由句式、大量专业术语、缩写和隐含语义而难以直接利用。

为什么信息抽取至关重要？

将临床叙述转化为机器可读的结构化信息，能直接驱动以下高价值场景：

  1. 临床决策支持：自动识别药物禁忌症、过敏史，推荐循证诊疗路径。
  2. 科研队列构建：从数百万份病历中快速筛选符合入排标准的患者，加速真实世界研究。
  3. 不良事件监测：持续抽取药物不良反应、术后并发症等安全信号。
  4. 自动编码与计费：将出院诊断映射至 ICD-10 编码，提升效率和准确性。
  5. 质量指标计算：自动统计深静脉血栓预防率、感染达标率等质量监控指标。

没有信息抽取，这些工作只能依赖人工逐一阅读，成本高昂且难以规模化。NLP 将费时费力的手动病历阅读转变为自动化的数据挖掘管道。

关键 NLP 任务：从实体识别到关系抽取

临床信息抽取并非单一技术，而是由多个子任务构成的流水线。以下从基础到复杂依次介绍。

1. 命名实体识别 (NER)

NER 是临床 NLP 的基石，目标是标识出文本中的关键医学概念，并将其分类。例如：

文本：“患者于3天前无明显诱因出现胸痛，位于胸骨后，呈压榨性，向左肩放射，伴大汗、恶心。”

期望识别的实体：

  • 症状：胸痛、大汗、恶心
  • 部位：胸骨后、左肩
  • 时间：3天前
  • 性质：压榨性
  • 诱因：无明显诱因
  • 伴随：放射、大汗、恶心

临床实体类别通常远超通用 NER，需要覆盖药品、手术、基因、微生物等数十种语义类型。常用标签集如 UMLS 语义类型、SNOMED CT 概念。

2. 属性抽取与修饰检测

识别出实体后，必须理解其上下文语义才能用于实际推理。核心修饰包括：

  • 肯定/否定：关键区分“有发热”（肯定）与“无发热”（否定）。典型表达如“否认发热”“体温正常”。
  • 确定/可能：处理不确定描述，如“考虑心肌梗死可能”“待排肺栓塞”。
  • 受试者归属：症状或疾病是属于患者本人还是家属？例如 “其父有高血压史”。
  • 当前状态与历史：区分活动性问题与既往病史，如“既往有糖尿病史10年，目前血糖控制可”。

这些修饰常通过专用的否定检测和分词规则实现，也可用序列标注模型一并学习。

3. 关系抽取

实体间的关系构成临床推理网络。关系抽取的典型类型：

  • 治疗关系：药物 × 疾病 → “阿司匹林治疗冠心病”
  • 因果关系：药物 × 不良反应 → “卡马西平致皮疹”
  • 位置关系：疾病 × 解剖部位 → “左下叶肺炎”
  • 检查-发现关系：检验项目 × 结果值 → “肌钙蛋白 I 显著升高”
  • 时间关系：症状 × 时间 → “术后第2天发热”

关系抽取常采用依存句法分析、远程监督或基于预训练模型 (如 BERT) 的微调方法。

4. 事件抽取与时间线构建

临床事件并非孤立实体，而是具有时间先后、存续时段的复杂结构。事件抽取要识别：

  • 事件触发词：“入院”“手术”“死亡”“转移”等。
  • 事件参数：手术时间、术式、麻醉方式、术前诊断等。
  • 事件顺序：建立时间线，还原患者的疾病故事，例如“确诊 → 新辅助化疗 → 手术 → 辅助放疗”。

时间线构建常结合时间表达式标准化（如 “去年三月” 映射为具体日期）和关系推理，最终形成可查询的患者事件图谱。

常用方法与技术栈

从简单到复杂，针对不同资源条件选择合适方法。

1. 基于规则与词典

  • 原理：利用成熟的医学术语集合（如 SNOMED CT、ICD-10、RxNorm）和正则表达式进行匹配。
  • 工具示例：cTAKES、CLAMP、CLiX。
  • 优点：不需要标注数据，可解释性高，适合快速原型。
  • 缺点：维护成本高，难以覆盖隐含表达和多样化句型，召回率有限。

2. 传统机器学习

  • 方法：条件随机场 (CRF)、结构化支持向量机 (SVM) 等用于序列标注；手工特征 + 分类器用于关系抽取。
  • 特征工程：词袋、词性标注、词形、依存路径、布朗聚类等。
  • 优势：在中小规模标注数据上效果稳定。
  • 局限：需要大量领域特征设计，泛化能力一般。

3. 深度学习与预训练模型

当前临床 NLP 的主流方法：

  • 词向量 + BiLSTM-CRF：使用 Word2Vec 或 BERT 生成的词嵌入，捕捉上下文语义。
  • 预训练临床语言模型：
    • BioBERT：在 PubMed 文摘和 PMC 全文上预训练。
    • ClinicalBERT / BioClinicalBERT：在重症监护 (MIMIC-III) 临床笔记上进一步预训练。
    • PubMedBERT、GatorTron 等大规模临床模型。
  • 微调范式：将 NER、关系抽取等任务统一为序列标注或分类问题，在少量标注数据上微调即能达到出色效果。

4. 大语言模型 (LLM)

近期 GPT-4、ClinicalCamel、Med-PaLM 等大模型可直接通过提示工程完成信息抽取，无需额外训练。

  • 零样本/少样本抽取：给定任务说明和少量示例，即可抽取实体和关系。
  • 优点：快速适应新需求，语义理解强。
  • 挑战：幻觉风险、隐私合规、成本控制。通常需结合结构化校验与人工审核。

典型应用场景实战解析

临床决策支持：急性心肌梗死早期识别

从急诊入院记录中抽取胸痛特征（位置、性质、放射、持续时间）、心电图描述、肌钙蛋白水平，结合规则判断是否为 STEMI，触发绿色通道预警。技术流水线：NER 抽取症状/检查 → 属性修饰（确认阳性）→ 关系（心肌标志物升高）→ 决策规则引擎。

科研队列筛选：癌症患者生物标记物研究

从病理报告和基因检测报告中抽取基因突变、变异丰度、蛋白表达水平，并与诊断、治疗史关联，自动生成符合研究协议的病例列表。常使用 BioBERT 系列模型微调实体和关系抽取。

自动化编码：ICD-10 映射

依据出院小结的完整临床叙述，通过多标签文本分类或生成模型自动推荐主要诊断和手术编码，结合规则纠正编码规范约束，大幅提升编码效率。

挑战与最佳实践

  1. 数据隐私与安全：临床文本含 PHI（受保护健康信息）。必须进行去标识化（姓名、日期、地址、ID 等），可使用 Off-the-shelf 工具如 Philter、CRAN 等。模型训练和推理应在安全的医疗云或私有环境进行。
  2. 标注数据稀缺：领域专家标注昂贵。可采用主动学习、弱监督（基于 SNOMED 词典的远程标注）、数据增强和跨机构联邦学习缓解。
  3. 语言多样性与方言：病历文本充满不完整句、缩写、错别字。需要进行拼写校正和缩写扩展预处理，且模型宜在目标医院数据上持续适配。
  4. 可解释性与可信度：临床决策辅助要求输出溯源文本片段，可借助注意力可视化或片段高亮方式增强信任。
  5. 持续运行与更新：医学知识持续演进，模型需设定重训练周期，监控概念漂移。

免费在线学习资源与工具推荐

公开数据集

  • MIMIC-III / MIMIC-IV：重症监护开放数据集，含脱敏临床笔记，可申请使用。
  • i2b2 / n2c2 挑战赛数据：多个临床 NLP 任务标注集（去标识化、NER、关系），需提交申请。
  • NCBI Disease Corpus：疾病提及标注数据集，适合训练和评估。

开源 NLP 库与工具

  • spaCy + scispaCy：面向生物医学文本的实体识别和分词流水线，提供 BioBERT 等模型。
  • CLAMP：集成的临床 NLP 工具包，提供 GUI 和 API，支持命名实体识别、否定检测。
  • cTAKES：Apache 项目，提供疾病、症状、药物、检查等实体抽取管道。
  • MedSpaCy：整合临床规则与深度学习的轻量库。
  • Hugging Face Transformer：BioBERT、ClinicalBERT、PubMedBERT 等模型可直接调用，微调更方便。

在线课程与文档

  • Coursera: “Clinical Natural Language Processing” （科罗拉多大学）
  • NLP-with-Python 系列实战教程 搜索相关临床案例
  • 各工具官方文档和教程：scispaCy 官网、CLAMP wiki

小结

电子病历 NLP 的信息抽取是将沉睡的临床叙事转化为可计算知识的桥梁。从基础的命名实体识别到复杂的关系、事件与时间线构建，现代方法正让精准医疗和智能管理成为现实。初学者可从公开数据集和预置流水线起步，逐步尝试微调预训练模型，并在真实场景中持续迭代。掌握临床文本信息抽取，你就能解锁电子病历的最大价值。