跳转至

PLeDO：基于电子病历数据的骨关节炎疼痛程度检测

文章背景与核心概要

骨关节炎（OA）是一种常见的进展性慢性关节疾病，会对患者的生活质量造成严重影响。准确评估和量化患者的疼痛程度对于制定有效的治疗方案至关重要，但在基层医疗实践中，疼痛表达往往具有主观性、复杂性，且受到文化背景和人口统计学特征的影响。为了解决这一痛点，来自女王大学及合作机构的研究人员开发了名为 PLeDO 的人工智能驱动工具，旨在通过整合基层医疗的电子病历（EMR）中的结构化数据（如用药史）与非结构化数据（如医师病历记录），实现对骨关节炎患者疼痛严重程度（轻度或中重度）的自动化检测与分类。

该研究首先提出了基于同义词的疼痛程度检测工具 SPaDe，仅通过非结构化病历记录中的疼痛相关表达来对患者疼痛进行分类。在此基础上，研究团队进一步将结构化EMR数据中的药物信息以及病历中的疼痛量表相关信息进行融合，最终推出了综合性疼痛检测工具 PLeDO。借助人工标注的黄金标准数据集，该研究证明了 SPaDe 和 PLeDO 能够有效从电子病历数据中检测轻度及中重度疼痛，为分析和改善基层医疗服务质量提供了一种可扩展的解决方案。

摘要 (Abstract)

骨关节炎（OA）是一种进展性的慢性关节疾病，当受损的关节组织无法正常自我修复时，会导致关节软骨和骨骼的破坏。本项初步研究的目的是利用信息提取、自然语言处理和机器学习技术，通过患者的基层医疗电子病历（EMR）中的结构化医疗数据和非结构化病历记录数据，来了解骨关节炎的疼痛严重程度。

我们提出了 SPaDe（一种基于同义词的疼痛程度检测工具），通过仅使用非结构化病历记录中的疼痛相关表达，将患者分类为轻度疼痛或中重度疼痛，从而了解诊断和治疗方法。由于这些表达具有主观性、客观性，且受到文化背景和人口统计学的影响，这构成了巨大的挑战。

因此，我们通过结合结构化EMR数据中的药物信息和病历中与疼痛量表相关的信息来改进模型，从而提出了一个用于骨关节炎的集成疼痛程度检测工具，名为 PLeDO。借助人工标注的黄金标准数据，我们证明了 SPaDe 和 PLeDO 都可以从 EMR 数据中检测轻度和中重度疼痛，以分析并有可能提高基层医疗环境中的护理质量。

Osteoarthritis (OA) is a progressive chronic joint disease resulting in a breakdown of articular cartilage and bone when damaged joint tissues are not able to normally repair themselves. The aim of this pilot research study is to understand the pain severity for OA from patients' primary care Electronic Medical Records (EMR), both from the structured medical data and the unstructured chart note data using information extraction, natural language processing and machine learning techniques.

We propose SPaDe, a Synonym-based Pain level Detection tool to categorize patients into having mild or moderate-to-severe pain to understand diagnosis and treatment methods based on only the pain related expressions in the unstructured chart note. Expressions are subjective, objective, and influenced by cultural background and demography which poses a difficult challenge.

Therefore, we improve the model by incorporating the medication information from the structured EMR data and pain scale related information from the chart note to propose an integrated pain level detection tool for OA called PLeDO. With the help of human labeled gold standard data, we demonstrate that both SPaDe and PLeDO can detect mild and moderate-to-severe pain from the EMR data to analyze and potentially improve the quality of care in primary care setting.

文章详情 (Article Details)

  • arXiv 标识符： arXiv:2608.15719 [cs.AI]
  • 主要主题： 人工智能 (cs.AI)
  • 其他主题： 新兴技术 (cs.ET)、信息检索 (cs.IR)、机器学习 (cs.LG)
  • 出版详情： 发表于《智能数据分析》（Intelligent Data Analysis），2026年（第1–20页）
  • DOI： 10.48550/arXiv.2608.15719
  • 相关 DOI： 10.1177/1088467X261472133
  • 提交日期： 2026年8月16日
  • arXiv Identifier: arXiv:2608.15719 [cs.AI]
  • Primary Subject: Artificial Intelligence (cs.AI)
  • Other Subjects: Emerging Technologies (cs.ET), Information Retrieval (cs.IR), Machine Learning (cs.LG)
  • Publication Details: Published in Intelligent Data Analysis, 2026 (pp. 1–20)
  • DOI: 10.48550/arXiv.2608.15719
  • Related DOI: 10.1177/1088467X261472133
  • Submission Date: August 16, 2026

作者 (Authors)

  • Yuhao Chen
  • Jiahao Cai
  • Nafiz Sadman
  • Farhana Zulkernine
  • John Queenan
  • David Barber
  • Yuhao Chen
  • Jiahao Cai
  • Nafiz Sadman
  • Farhana Zulkernine
  • John Queenan
  • David Barber