view in publisher's site

Ground Glass Lesions on Chest Imaging: Evaluation of Reported Incidence in Cancer Patients Using Natural Language Processing

BackgroundGround glass opacities (GGOs) on computed tomography (CT) have gained significant recent attention, with unclear incidence and epidemiologic patterns. Natural language processing (NLP) is a powerful computing tool that collects variables from unstructured data fields. Our objective was to characterize trends of GGO detection using NLP.MethodsPatients were identified at a large quaternary referral center who underwent chest CT from 2000 to 2016 via query of institutional databases. NLP was used to identify imaging reports with GGOs and to obtain additional demographic data. Incidence of reported GGOs was tracked over time. Multivariate regression was used to identify predictors of GGOs identified on chest CT.ResultsA total of 244,391 chest CTs were included, with 35,386 (14.5%) revealing GGOs. There was a significant relationship between advancing year of chest CT and likelihood of reported GGOs (p < 0.001). GGOs were more likely to occur in older subjects (60.5 vs 58.5 years, p < 0.001), males (54.6% vs 51.5%, p < 0.001), and nonwhite races (21.2% Asian, 15.6% Hispanic, 14.4% black, 14.0% white; p < 0.001). Certain occupational histories predicted more frequent GGOs (p < 0.001), including transportation labor (47.4%), metal workers (42.3%), iron workers (33.3%), cabinetry (32.6%), and foremen (29.6%). Multivariate regression revealed age, sex, nonsmokers, increasing year of chest CT, and race as significant independent predictors of identifying GGOs.ConclusionsNLP explored a large cohort of patients who underwent chest CT over the study period. Demographic features predicting reported GGOs include age, sex, race, and occupation. GGO recognition continues to increase with time, and further studies investigating etiology and prognostic implications are necessary.

تصویر برداری از شیشه در قفسه‌سینه: ارزیابی of گزارش‌شده در سرطان سینه با استفاده از پردازش زبانی طبیعی

BackgroundGround glass (CT)بر روی پرتونگاری محاسبه‌شده (CT)توجه اخیر را با الگوهای unclear و الگوهای epidemiologic مورد توجه قرار داده‌است. پردازش زبان طبیعی یک ابزار محاسباتی قدرتمند است که متغیرهای داده‌های unstructured را جمع‌آوری می‌کند. هدف ما مشخص کردن رونده‌ای تشخیص GGO با استفاده از NLP.Meth odsPatients در یک مرکز ارجاع چهارتایی دسته‌بندی شد که از ۲۰۰۰ تا ۲۰۱۶ از طریق پرس و جو پایگاه‌های داده سازمانی تحت سی تی سی قرار گرفت. NLP برای شناسایی گزارش‌های تصویربرداری با GGOs و به دست آوردن داده‌های جمعیتی اضافی مورد استفاده قرار گرفت. Incidence گزارش داده‌شده در طول زمان ردیابی شد. از رگرسیون Multivariate برای شناسایی پیش‌بینی‌کننده of شناسایی شد که در مجموع of های سینه CT.Resu شناسایی شدند و with (۱۴.۵ %)از GGOs revealing (۱۴.۵ %)بودند. رابطه معناداری بین سال‌های پیش از CT و احتمال گزارش‌شده GGOs وجود داشت (p < ۰.۰۰۱). احتمال این وجود دارد که GGOs در موضوعات قدیمی‌تر رخ دهند (۶۰.۵ % در مقابل ۵۸ سال، p < ۰.۰۰۱)، و nonwhite نژادها (۲۱.۲ % آسیایی، ۱۵.۶ درصد اسپانیولی، ۱۴.۴ درصد سفید، ۱۴.۰ % سفید؛ p < ۰.۰۰۱). تاریخ‌های شغلی خاص بیشتر GGOs (p %)، از جمله کار حمل و نقل (۴۲.۳ %)، کارگران آهن (۳۳.۳ %)، cabinetry (۳۲.۶ %)، and (۳۲.۶ %)و foremen (۲۹.۶ %)پیش‌بینی می‌کردند. رگرسیون Multivariate نشان داد که سن، سکس، غیر سیگاری، افزایش سن CT، و نژاد به عنوان پیش‌بینی‌کننده‌های مستقل قابل‌توجه از شناسایی GGOs.Conc lusionsNLP، گروه بزرگی از بیمارانی که در طول دوره مطالعاتی روی سی تی سی قرار گرفته‌اند را بررسی کرده‌است. ویژگی‌های آماری پیش‌بینی GGOs شامل سن، جنسیت، نژاد و اشغال است. به رسمیت شناختن GGO با گذشت زمان ادامه می‌یابد، و مطالعات بیشتر درباره etiology و مفاهیم تشخیصی لازم هستند.

ترجمه شده با

Download PDF سفارش ترجمه این مقاله این مقاله را خودتان با کمک ترجمه کنید
سفارش ترجمه مقاله و کتاب - شروع کنید

95/12/18 - با استفاده از افزونه دانلود فایرفاکس و کروم٬ چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.