超越主题：从事件序列中发现潜在医疗目标
机器学习
2021-10-05 v1 人工智能
计算与语言
摘要
对临床路径和患者诊疗流程的有意义理解有助于改善医疗结果。电子健康记录（EHR）反映了用于加强医疗管理的真实世界治疗行为，但也带来挑战；协议和路径通常定义松散，且要素经常未记录在 EHR 中，使改进变得复杂。为解决这一挑战，与医疗管理活动相关的医疗目标可作为潜在主题在 EHR 中间接观察到。主题模型，如隐狄利克雷分配（LDA），被用于识别 EHR 数据中的潜在模式。然而，它们既不考察 EHR 序列的有序性质，也不孤立地评估单个事件。我们的新方法——类别序列编码器（CaSE）——解决了这些不足。CaSE 的事件级表示捕捉了 EHR 的序列性质，揭示了潜在的医疗目标。在合成 EHR 序列中，CaSE 在识别医疗目标上比 LDA 高出至多 37%。在真实世界的 MIMIC-III 数据集中，CaSE 识别出的有意义表示可关键地增强协议与路径开发。
引用
@article{arxiv.2110.01160,
title = {Beyond Topics: Discovering Latent Healthcare Objectives from Event Sequences},
author = {Adrian Caruana and Madhushi Bandara and Daniel Catchpoole and Paul J Kennedy},
journal= {arXiv preprint arXiv:2110.01160},
year = {2021}
}