通过减少GPU需求的混合框架加速临床自然语言处理的规模化：在痴呆识别中的案例研究

本研究解决了临床自然语言处理 (NLP) 在计算资源需求方面的限制，提出了一种结合规则过滤、支持向量机分类器和基于BERT的模型的混合框架。研究结果显示，该框架在分析490万名有高血压的退伍军人中的21亿临床笔记时，识别痴呆病例的效率显著高于传统结构化数据方法，同时保留了高精确度和召回率，表明其对资源有限的医疗机构具有重要的实际应用价值。