基于病历表示学习的患者相似性研究
信息检索
2022-09-20 v3 机器学习
摘要
患者相似性评估可识别与给定患者相似的患者，有助于改善医疗护理。该评估可利用电子病历（EMRs）进行。患者相似性度量需要将异构EMR转换为可比较的格式以计算其距离。尽管近年来已发展出多种通用的文档表示学习方法，但复杂EMR数据应如何处理才能生成最有用的患者表示仍不明确。本研究提出一种考虑临床叙述信息的EMR数据表示新方法。为克服以往方法在处理EMR数据复杂部分时的局限，提出一种无监督方法构建患者表示，其将来自患者EMR的非结构化数据与结构化数据相融合。为对提取的数据建模，我们采用一种树结构来捕捉EMR中多个医疗事件的时间关系。我们使用medspaCy、MetaMap和scispaCy等不同工具处理临床笔记以提取症状、体征和疾病，并将实体映射到统一医学语言系统（UMLS）。在创建树数据结构后，我们对树的非叶节点采用两种新颖的重标记方法以捕捉所提取事件的两个时间方面。通过遍历该树，我们生成可为每个患者创建嵌入向量的序列。对所提方法在患者相似性与死亡预测任务上的综合评估表明，相较于基线，我们的模型具有更低的均方误差（MSE）、更高的精度以及归一化折损累计增益（NDCG）。
引用
@article{arxiv.2104.14229,
title = {A Study into patient similarity through representation learning from medical records},
author = {Hoda Memarzadeh and Nasser Ghadiri and Matthias Samwald and Maryam Lotfi Shahreza},
journal= {arXiv preprint arXiv:2104.14229},
year = {2022}
}