AutoMap：面向临床预测模型部署的自动医疗编码映射
人工智能
2022-10-12 v1 机器学习
摘要
给定一个在源站点数据上训练好的深度学习模型，如何将其自动部署到目标医院？如何应对不同医院间异构的医疗编码系统？标准方法依赖于现有的医疗编码映射工具，这些方法存在显著的实践局限性。为解决此问题，我们提出 AutoMap，以由粗到精的方式自动映射不同电子健康记录（EHR）系统间的医疗编码：（1）本体级对齐：利用本体结构学习源与目标医疗编码系统间的粗粒度对齐；（2）编码级精化：使用师生框架为下游任务在细粒度编码级别精化对齐。我们使用多个深度学习模型与两个真实世界 EHR 数据集（eICU 和 MIMIC-III）评估 AutoMap。结果表明，AutoMap 在死亡率预测上取得最高 3.9%（AUC-ROC）和 8.7%（AUC-PR）的相对提升，在住院时长估计上取得最高 4.7%（AUC-ROC）和 3.7%（F1）的相对提升。此外，我们表明 AutoMap 能够提供跨编码系统的准确映射。最后，我们证明 AutoMap 可适应两种具有挑战性的场景：（1）完全不同编码系统间的映射；（2）完全不同医院间的映射。
引用
@article{arxiv.2203.02446,
title = {AutoMap: Automatic Medical Code Mapping for Clinical Prediction Model Deployment},
author = {Zhenbang Wu and Cao Xiao and Lucas M Glass and David M Liebovitz and Jimeng Sun},
journal= {arXiv preprint arXiv:2203.02446},
year = {2022}
}