临床概念嵌入在英国电子健康记录数据中用于心力衰竭预测的应用
计算与语言
2018-11-29 v2 机器学习
机器学习
摘要
电子健康记录（EHR）正越来越多地被用于构建疾病风险预测模型。然而，由于其高度维度化与异质性的特点，EHR 数据中的特征工程颇具挑战。EHR 数据的低维表示有可能缓解这些挑战。在本文中，我们使用全局向量（GloVe）来学习英国全国 EHR 中 270 万次住院记录所采用的 1300 万本体术语所对应的诊断与操作的词嵌入。我们通过评估这些嵌入在识别因充血性心力衰竭而住院风险较高患者中的表现，展示了其实用性。我们的研究结果表明，嵌入能够支持构建稳健的基于 EHR 的疾病风险预测模型，并解决与人工临床特征工程相关的一些局限。
引用
@article{arxiv.1811.11005,
title = {Application of Clinical Concept Embeddings for Heart Failure Prediction in UK EHR data},
author = {Spiros Denaxas and Pontus Stenetorp and Sebastian Riedel and Maria Pikoula and Richard Dobson and Harry Hemingway},
journal= {arXiv preprint arXiv:1811.11005},
year = {2018}
}
备注
Machine Learning for Health (ML4H) Workshop at NeurIPS 2018 arXiv:1811.07216