基于自编码器的ICU临床编码预测
机器学习
2023-05-10 v1 信息检索
摘要
电子健康记录(EHRs)中诊断编码的可用性对于患者护理以及报销目的至关重要。然而,在EHR中输入这些编码十分繁琐,且某些临床编码可能被遗漏。给定不完整的临床编码列表,我们研究了机器学习(ML)方法在预测完整编码上的性能,并评估在此任务中纳入其他临床患者数据所带来的附加预测价值。我们使用MIMIC-III数据集,并将补全临床编码的任务构建为一个推荐问题。我们考虑了多种自编码器方法以及两个强基线:项目共现和奇异值分解(SVD)。输入为1)一条记录已知的临床编码,2)编码加上变量。基于共现的方法性能略优于SVD(F1分数=0.26,平均精度均值[MAP]=0.19;SVD的F1=0.24,MAP=0.18)。然而,当使用编码加变量时,对抗自编码器取得了最佳性能(F1=0.32,MAP=0.25)。对抗自编码器在F1上表现最佳,在MAP上与普通自编码器和去噪自编码器相当。在不完整编码列表之外使用临床变量,提升了模型的预测性能。
引用
@article{arxiv.2305.04992,
title = {Autoencoder-based prediction of ICU clinical codes},
author = {Tsvetan R. Yordanov and Ameen Abu-Hanna and Anita CJ Ravelli and Iacopo Vagliano},
journal= {arXiv preprint arXiv:2305.04992},
year = {2023}
}
备注
Extended version of 5-page short paper submitted to AIME23 conference