一种用于多源EHR轨迹情境表征学习的掩码语言模型
机器学习
2024-02-13 v1
摘要
使用电子健康记录数据和机器学习指导未来决策需要解决挑战，包括1) 长期/短期依赖关系和2) 疾病与干预之间的相互作用。双向变换器有效解决了第一个挑战。本文通过对一个来源（例如ICD10编码）进行掩码并训练变换器以预测其他来源（例如ATC编码）来解决第二个挑战。
引用
@article{arxiv.2402.06675,
title = {A Masked language model for multi-source EHR trajectories contextual representation learning},
author = {Ali Amirahmadi and Mattias Ohlsson and Kobra Etminani and Olle Melander and Jonas Björk},
journal= {arXiv preprint arXiv:2402.06675},
year = {2024}
}
备注
Presented at Proceedings of MIE 2023