医学文本中时序事件的高效表示
计算与语言
2020-10-27 v2 信息检索
摘要
在这项工作中，我们解决了捕捉纵向电子健康记录（EHRs）中所含序列信息的问题。临床笔记作为EHR数据的一种特定类型，是丰富的信息源，从业者常巧妙设计解决方案以最大化自由文本中的序列信息。我们提出了一种从临床笔记中可用时序事件学习的系统化方法。所提出的路径签名（path signature）方法论框架创建了任意类型序列事件的非参数层次表示，并可用作下游统计学习任务的特征。该方法在英国最大的二级医疗精神健康EHR数据上开发并外部验证，具体任务为预测诊断为阿尔茨海默病患者的生存风险。基于签名的模型与常见的生存随机森林模型进行比较。我们的结果显示，在首次入住专科记忆门诊后20个月的时间点，风险预测AUC提升15.4%，且签名方法比基线混合效应模型高出13.2%。
引用
@article{arxiv.2010.08433,
title = {An efficient representation of chronological events in medical texts},
author = {Andrey Kormilitzin and Nemanja Vaci and Qiang Liu and Hao Ni and Goran Nenadic and Alejo Nevado-Holgado},
journal= {arXiv preprint arXiv:2010.08433},
year = {2020}
}
备注
4 pages, 2 figures, 7 tables